論文の概要: Distill Locally, Schedule Globally: Flow Maps for Few-Step Text-to-Speech

• arxiv url: http://arxiv.org/abs/2609.36324v1
• Date: Mon, 28 Sep 2026 21:57:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.038826
• Title: Distill Locally, Schedule Globally: Flow Maps for Few-Step Text-to-Speech
• Title（参考訳）: 局所的に希釈し, グローバルにスケジュール: 簡単なテキスト音声合成のためのフローマップ
• Abstract要約: 局所フローマップ蒸留はユーレアンマップ蒸留を条件付きTSに適応させる。 教師のダイナミクスと学習地図の一貫性からサンプリングスケジュール(TD-DP)を導出する。 スケジューリングは一つのNFEで柔軟性がないので、アライメントを意識した時間的自己蒸留により、この体制を洗練します。
• 参考スコア（独自算出の注目度）: 6.529168725535197
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Flow-matching text-to-speech (TTS) models achieve high synthesis quality but require many neural function evaluations (NFEs) to integrate their generative trajectories. Recent few-step flow-map distillation approaches for TTS construct targets from numerically integrated teacher trajectories, creating a trade-off between target accuracy and training cost. We propose Local Flow-Map Distillation (LFMD), which adapts Eulerian Map Distillation to conditional TTS and avoids teacher trajectory integration during target construction. For inference, we derive a sampling schedule (TD-DP) from teacher dynamics and consistency of the learned maps, with a single cost graph supporting multiple NFE budgets without external audio-metric evaluation. Because scheduling offers no flexibility at one NFE, we refine this regime with alignment-aware temporal self-distillation using soft-DTW. Across Seed-TTS and LibriSpeech-PC, LFMD improves low-NFE synthesis over a matched integral-distillation baseline. On Seed-TTS, the refined student reaches 1.80% WER with 1-NFE, compared with 1.76% for its 32-NFE teacher.
• Abstract（参考訳）: フローマッチングテキスト音声(TTS)モデルは高い合成品質を達成するが、生成的軌跡を統合するには多くの神経機能評価(NFE)を必要とする。 TTSにおける最近の数ステップのフローマップ蒸留手法は、数値統合された教師軌道からターゲットを構築し、目標精度とトレーニングコストのトレードオフを生み出す。 本研究では, ユーレアンマップ蒸留を条件付きTSに適応させるローカルフローマップ蒸留(LFMD, Local Flow-Map Distillation)を提案する。 提案手法は教師のダイナミックスと学習マップの整合性からサンプリングスケジュール(TD-DP)を導出する。 スケジューリングは1つのNFEにおいて柔軟性がないため、ソフトDTWを用いてアライメントを意識した時間的自己蒸留により、この仕組みを洗練する。 Seed-TTS と LibriSpeech-PC 全体で、LFMD は一致した積分蒸留基線上での低NFE合成を改善している。 Seed-TTSでは1-NFEで1.80% WERに達し、32-NFEの教師は1.76%だった。

関連論文リスト

• Learning from Teacher Continuations at Student States [19.38883898309938]
  オンライン言語モデル蒸留システムとしてOLIVE(OnLine Intervention)を提案する。 各イテレーションにおいて、進化する学生ポリシーが新しいプレフィックスを生成し、教師は自己回帰的にそれを継続し、教師生成トークンに基づいて計算されたクロスエントロピーを用いて生徒を更新する。 OLIVEは、同じ訓練予算の下で既存の蒸留法を一貫して上回っている。 GPT-5.4-mini のテキストのみを使用して、OLIVE による継続的なトレーニングは、ScienceWorld において、同じ教師のオフライン SFT を 13% 上回っている。
  論文  参考訳（メタデータ） (2026-09-28T20:41:38Z)
• DESA-TTA: Dynamic EMA and Source Anchoring for Test-Time Adaptation [22.729339643008498]
  TTA(Mean-Teacher Method for Test-Time Adaptance)は、教師が作成した擬似ラベルを用いて学生モデルを更新することにより、堅牢性を向上させることができる。 教師の更新と学生のドリフトを協調的に制御する低オーバーヘッド手法であるTTA(DESA-TTA)の動的EMAとソースアンカリングを提案する。
  論文  参考訳（メタデータ） (2026-09-01T19:07:28Z)
• CuteTTS: Efficient and High-Quality Speech Synthesis via Autoregressive Modeling of Continuous Latents [53.73961877379327]
  CuteTTSはコンパクトな連続自己回帰型TSシステムである。 意味的に整列した因果性VAE潜伏剤とパッチレベルの自己回帰、明示的な話者条件付け、双方向のフローマッチングヘッドを組み合わせる。
  論文  参考訳（メタデータ） (2026-08-09T11:10:20Z)
• Learning What to Remember: Test-Time Training via Context Distillation [72.10421333095852]
  テストタイムトレーニング(TTT)は、長期コンテキストモデリングのためのオンラインパラメータ更新を実行する魅力的なアプローチである。 textbfTest-textbfTime textbfContext textbfDistillation (TTCD)を提案する。
  論文  参考訳（メタデータ） (2026-08-03T04:06:06Z)
• End-to-End Training for Discrete Token LLM based TTS System [12.016326342176319]
  本稿では,音声トークン化装置,大規模言語モデル,フローマッチングモデルのトレーニングを統一する完全エンドツーエンド(E2E)最適化フレームワークを提案する。 実験結果から,我々のフレームワークは,連続的にカスケードベースラインを上回っていることがわかった。
  論文  参考訳（メタデータ） (2026-06-08T09:07:23Z)
• dots.tts Technical Report [21.076643922579517]
  dots.ttsは継続的自己回帰型テキスト音声基礎モデルである。 我々はAudioVAEを複数の目的で訓練し、意味論的に構造化され、予測に親しみやすい連続音声空間を構築する。 フローマッチングヘッドに報酬のない自己補正後トレーニングを適用して、ロバスト性および音響品質をさらに向上する。
  論文  参考訳（メタデータ） (2026-06-05T09:19:24Z)
• Impossible Distillation: from Low-Quality Model to High-Quality Dataset & Model for Summarization and Paraphrasing [59.58984194238254]
  本稿では,パラフレーズと文要約のための新しい枠組みであるImpossible Distillationを提案する。 極端に大規模な教師モデルに依存した先行研究とは異なり、パラフラスティックな近在性と事前学習されたLMを仮説化し、検証する。 これらの部分空間から世代を同定して蒸留することにより、インポッシブル蒸留は、GPT2スケールのLMでも高品質なデータセットとモデルを生成する。
  論文  参考訳（メタデータ） (2023-05-26T05:19:24Z)
• Parameter-Efficient Learning for Text-to-Speech Accent Adaptation [58.356667204518985]
  本稿では、テキスト音声(TTS)のための低リソースアクセント適応を開発するためのパラメータ効率学習(PEL)を提案する。 冷凍前訓練TSモデルからの資源効率適応は、元のトレーニング可能なパラメータの1.2%から0.8%しか使用していない。 実験結果から,提案手法はパラメータ効率の高いデコーダの微調整により,自然度と競合できることがわかった。
  論文  参考訳（メタデータ） (2023-05-18T22:02:59Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。