論文の概要: Tacit-TTS: From Autoregressive Decoding to Masked Prediction for Efficient Transcript-Free Voice Cloning

• arxiv url: http://arxiv.org/abs/2609.38658v1
• Date: Tue, 29 Sep 2026 23:25:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:26.835615
• Title: Tacit-TTS: From Autoregressive Decoding to Masked Prediction for Efficient Transcript-Free Voice Cloning
• Title（参考訳）: Tacit-TTS: 自動回帰復号からマスケ予測へ
• Abstract要約: IndexTTS2から抽出した効率的な転写不要ゼロショット音声クローニングシステムであるTacit-TTSについて述べる。 我々のモデルは,自己回帰型テキスト・セマンティックデコーディングをマスク付き非自己回帰型生成に置き換える。 転写のない条件付けは、言語間および非語彙間の参照もサポートする。
• 参考スコア（独自算出の注目度）: 6.406058145402152
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: TTS systems with autoregressive semantic modeling have demonstrated strong zero-shot voice cloning performance and rich expressive variation, but their sequential decoding incurs substantial latency. Non-autoregressive alternatives offer much faster generation, yet often rely on more restrictive reference conditioning, such as requiring transcripts of the reference speech during inference. We present Tacit-TTS, an efficient transcript-free zero-shot voice cloning system distilled from IndexTTS2. Our model replaces autoregressive text-to-semantic decoding with masked non-autoregressive generation, introduces training-free acoustic length estimation, and accelerates the flow-matching renderer through ReFlow distillation. Across two English and two Mandarin datasets, Tacit-TTS achieves competitive zero-shot quality while generating speech over 10x faster than IndexTTS2 for utterances longer than 5 seconds. Its transcript-free conditioning further supports cross-lingual and non-lexical references. We validate this capability using references from eight other languages, infant babble, and synthetic gibberish, where transcript-dependent systems often degrade or fail due to unreliable ASR transcripts.
• Abstract（参考訳）: 自動回帰的セマンティックモデリングによるTSSシステムは、強いゼロショット音声クローニング性能と豊かな表現的変動を示すが、そのシーケンシャルデコーディングは相当な遅延を引き起こす。 非自己回帰的な代替手段は、より高速な生成を提供するが、推論中に参照音声の書き起こしを必要とするなど、より制限的な参照条件に依存することが多い。 IndexTTS2から抽出した効率的な転写不要ゼロショット音声クローニングシステムであるTacit-TTSについて述べる。 本モデルでは, 自己回帰型テキスト・セマンティックデコーディングをマスク付き非自己回帰型デコーディングに置き換え, トレーニング不要な音響長推定を導入し, ReFlow蒸留によりフローマッチング・レンダラーを高速化する。 2つの英語データセットと2つのマンダリンデータセットにまたがって、Tacit-TTSは競争力のあるゼロショット品質を実現し、5秒以上の発話に対してIndexTTS2よりも10倍高速な音声を生成する。 転写のない条件付けは、言語間および非語彙間の参照もサポートする。 我々は、この能力を、8つの他の言語、幼児バブル、合成ギブベリッシュの参照を用いて検証し、転写に依存したシステムは、信頼できないASR転写のためにしばしば劣化または失敗する。

関連論文リスト

• Confucius4-TTS: Transcript-Free Cross-Lingual Zero-Shot TTS with a Learnable Speaker Encoder [14.769480661437774]
  14言語をサポートするゼロショット音声合成システムConfucius4-TTSを提案する。 音声プロンプトの書き起こしを必要とせず、言語内および言語間参照クローンを実行する。 公開ベンチマークにおいて高い知性と話者類似性を実現する。
  論文  参考訳（メタデータ） (2026-08-12T04:48:29Z)
• IndexTTS2: A Breakthrough in Emotionally Expressive and Duration-Controlled Auto-Regressive Zero-Shot Text-to-Speech [13.3878636941081]
  IndexTTS2は、音声持続時間制御のための新しい、一般的な、そして自己回帰的なモデルフレンドリーな方法である。 感情表現と話者同一性の間の絡み合いを達成し、音色と感情の独立制御を可能にする。 単語誤り率、話者類似度、感情的忠実度の観点から、最先端のゼロショットTSモデルより優れている。
  論文  参考訳（メタデータ） (2025-06-23T08:33:40Z)
• Pseudo-Autoregressive Neural Codec Language Models for Efficient Zero-Shot Text-to-Speech Synthesis [64.12708207721276]
  本稿では,AR と NAR を統一した新しい擬似自己回帰(PAR)言語モデリング手法を提案する。 PAR 上に構築した PALLE は 2 段階の TTS システムであり, PAR を初期生成に利用し, NAR を改良する。 実験では、LibriTTSでトレーニングされたPALLEが、大規模データでトレーニングされた最先端システムを上回っていることが示された。
  論文  参考訳（メタデータ） (2025-04-14T16:03:21Z)
• IndexTTS: An Industrial-Level Controllable and Efficient Zero-Shot Text-To-Speech System [6.686126079510178]
  本稿では,主にXTTSとTortoiseモデルに基づくIndexTTSシステムを紹介する。 具体的には、中国語のシナリオでは、文字とピンインを組み合わせたハイブリッドなモデリング手法を採用する。 XTTSと比較すると、自然性、コンテンツ一貫性、ゼロショット音声クローンの大幅な改善が達成されている。
  論文  参考訳（メタデータ） (2025-02-08T10:23:20Z)
• VALL-E R: Robust and Efficient Zero-Shot Text-to-Speech Synthesis via Monotonic Alignment [101.2489492032816]
  VALL-E Rは、堅牢で効率的なゼロショットテキスト音声合成システムである。 この研究は、失語症に罹患した人々のためのスピーチの作成を含む有意義なプロジェクトに適用される可能性がある。
  論文  参考訳（メタデータ） (2024-06-12T04:09:44Z)
• A Non-autoregressive Generation Framework for End-to-End Simultaneous Speech-to-Speech Translation [48.84039953531355]
  同時音声翻訳のための新しい非自己回帰生成フレームワーク(NAST-S2X)を提案する。 NAST-S2Xは、音声テキストと音声音声タスクを統合エンドツーエンドフレームワークに統合する。 3秒未満の遅延で高品質な同時解釈を実現し、オフライン生成において28倍のデコードスピードアップを提供する。
  論文  参考訳（メタデータ） (2024-06-11T04:25:48Z)
• Code-Switching Text Generation and Injection in Mandarin-English ASR [57.57570417273262]
  業界で広く使われているストリーミングモデルTransformer-Transducer(T-T)の性能向上のためのテキスト生成とインジェクションについて検討する。 まず、コードスイッチングテキストデータを生成し、テキスト-to-Speech(TTS)変換または暗黙的に音声とテキストの潜在空間を結び付けることによって、T-Tモデルに生成されたテキストを明示的に注入する戦略を提案する。 実際のマンダリン・イングリッシュ音声の1,800時間を含むデータセットを用いて訓練したT-Tモデルの実験結果から,生成したコードスイッチングテキストを注入する手法により,T-Tモデルの性能が著しく向上することが示された。
  論文  参考訳（メタデータ） (2023-03-20T09:13:27Z)
• TranSpeech: Speech-to-Speech Translation With Bilateral Perturbation [61.564874831498145]
  TranSpeechは、両側摂動を伴う音声から音声への翻訳モデルである。 我々は,非自己回帰S2ST手法を構築し,繰り返しマスキングを行い,単位選択を予測する。 TranSpeechは推論遅延を大幅に改善し、自動回帰技術よりも最大21.4倍のスピードアップを実現している。
  論文  参考訳（メタデータ） (2022-05-25T06:34:14Z)

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。