論文の概要: DriftTTS: Few-Step Text-to-Speech Without Distillation via Distribution-Matching Drift

• arxiv url: http://arxiv.org/abs/2610.03390v1
• Date: Fri, 02 Oct 2026 14:38:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.426736
• Title: DriftTTS: Few-Step Text-to-Speech Without Distillation via Distribution-Matching Drift
• Title（参考訳）: DriftTTS: 分散整合ドリフトによる蒸留を伴わない数ステップのテキスト・音声
• Abstract要約: 数ステップのニューラルテキスト音声モデルでは、短時間の拡散やフローマッチングのスケジュールに依存していることが多い。 そこで我々は,DriftTTSについて紹介する。DriftTTSは数段階のメル・スペクトログラム・ジェネレータであり,生成教師や蒸留,あるいは敵対的差別を伴わない。
• 参考スコア（独自算出の注目度）: 1.5599296461516985
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Few-step neural text-to-speech models often rely on short- ened diffusion or flow-matching schedules, or on distillation from pretrained multi-step teachers. To avoid these depen- dencies, we present DriftTTS, a few-step mel-spectrogram generator trained without a generative teacher, distillation, or adversarial discrimination. DriftTTS uses a distribution- matching drift objective in a mel-domain feature space defined by raw mels and a frozen masked-autoencoder encoder pretrained on the same LJSpeech training split. On-policy rollout trains the decoder on its own interme- diate states and supports inference up to the trained roll- out depth. On LJSpeech, DriftTTS at NFE=4 achieves 3.87 dB MCD and 3.7% WER, compared with 3.85 dB and 3.4% for Matcha-TTS. In a fully paired blind listen- ing test, DriftTTS obtains 4.18 MOS, compared with 3.96 for Matcha-TTS and 4.22 for ground truth. These results demonstrate competitive few-step synthesis without a pre- trained generative teacher. Code can be found at https: //github.com/BASHLab/driftTTS.git
• Abstract（参考訳）: 数ステップのニューラルテキスト・トゥ・音声モデルでは、短時間の拡散やフローマッチングのスケジュール、あるいは事前訓練されたマルチステップの教師による蒸留に依存していることが多い。 そこで本研究では,DriftTTSを提案する。DriftTTSは,数段階のメログラム生成装置であり,生成教師や蒸留,敵対的差別を伴わない。 DriftTTSは、ミールとLJSpeechトレーニングスプリットで事前訓練された冷凍マスク付きオートエンコーダエンコーダによって定義されるメルドメイン特徴空間における分布整合ドリフト目標を使用する。 オンラインのロールアウトは、デコーダを独自のインターミート状態で訓練し、トレーニングされたロールアウト深さまで推論をサポートする。 LJSpeechでは、NFE=4のDriftTTSは3.87dB MCDと3.7% WERを獲得し、Matcha-TTSは3.85dBと3.4%である。 DriftTTSは4.18 MOS、Matcha-TTSは3.96 MOS、地平線は4.22 MOSである。 これらの結果は、事前訓練された生成教師を使わずに、競争力のある数段階の合成を示す。 コードはhttps: //github.com/BASHLab/driftTTS.gitにある。

関連論文リスト

• TACD: Distilling Efficient Text-to-Motion Models via Terminal Amplification Control [61.31878177726721]
  TACD (terminal-Amplification-Controlled Distillation) は、効率的なモーションジェネレータを訓練するためのオンラインアプローチである。 本研究は, オンライン蒸留法を用いて, 学生が生成した軌跡に沿ったクリーンモーション予測を監督する。
  論文  参考訳（メタデータ） (2026-10-02T06:06:36Z)
• DMAD: Distribution Matching as Adversarial Distillation for Fast Visual Generation [50.43969311607643]
  DMAD, Distribution Matching as Adversarial Distillationを導入し, 分布マッチングを分類として再放送する。 判別器では,これらの損失が分布マッチングの基礎となるDMDを回復することを示す。 DMADはFréchet Inception Distance (FID) 1.04、ImageNet-64x64 14.47、COCO-10Kの4ステップSDXL、VBenchの合計スコアは85.15、Wan2.1-T2V-14Bである。
  論文  参考訳（メタデータ） (2026-10-01T17:59:01Z)
• Salt++: Context-Aligned Post-Training for Few-Step Streaming Multimodal Generation [30.205869844299006]
  ストリーミングオーディオ-ビデオ生成は因果モデリングとステップ蒸留の両方を必要とする。 トレーニング後の2段階のフレームワークであるSalt++で、これらの課題に対処します。 Salt++は、JavisBench上のOmniForcingよりも視覚的および運動的品質を57%、そして45%向上させる。
  論文  参考訳（メタデータ） (2026-09-29T08:26:37Z)
• Triangular Resampling for Long-Horizon Motion Generation [27.734843468452496]
  三角形再サンプリング(Trangular Resampling, TR)は、運動拡散モデルにおける長軸誤差の蓄積を緩和するためのポストトレーニング手法である。 FloodDiffusionの三角形のデノイングスケジュールに基づいて構築されたTRは、地道由来のトレーニングウィンドウとモデル生成の推論状態のミスマッチに対処する。 HumanML3Dテストプロンプトからの120秒動作生成では、TRとTR-DMDは最先端のFID AUCを達成する。
  論文  参考訳（メタデータ） (2026-09-28T09:16:40Z)
• DELTA-TTS: Adapting Autoregressive Model into Diffusion Language Model for Text-to-Speech [15.682357754148548]
  自動回帰(AR)テキスト音声合成(TTS)モデルは、個別の音声トークンを逐次生成し、推論を遅くし、局所的な誤りや幻覚を伝播することによって堅牢性を低下させることができる。 本稿では,DELTA-TTSを提案する。DELTA-TTSは,事前訓練されたAR TTSモデルを離散拡散言語モデル(dLLM)に変換する軽量なLoRAベースの適応フレームワークである。 DELTA-TTSは、音声の局所構造をより正確に把握するために、局所音響コンテキストを注入する畳み込みモジュールと、1/t$重み付きトレーニング目標と時間シフト推論スケジュールを組み込んだ。
  論文  参考訳（メタデータ） (2026-07-05T06:45:47Z)
• Roll Out and Roll Back: Diffusion LLMs are Their Own Efficiency Teachers [76.15132587294862]
  Wide-In, Narrow-Out (WINO) は、リボッキング可能な並列生成を可能にするトレーニング不要の復号アルゴリズムである。 WINO+は、WINOが生成した検証された認知軌道をモデルパラメータに注入し、トレーニングを効率的な推論と整合させる。 LLaDAとMMaDAの実験では、WINOは品質と効率の両方を改善し、WINO+はこの進歩をさらに強化している。
  論文  参考訳（メタデータ） (2026-05-16T11:27:40Z)
• Accelerating Wireless Distributed Learning via Hybrid Split and Federated Learning Optimization [58.557093803478274]
  フェデレートラーニング(FL)とスプリットラーニング(SL)は、無線ネットワークにおいて効果的な分散ラーニングパラダイムである。 ハイブリッドスプリットとフェデレート学習(HSFL)の両方の利点を活用するために、一部のデバイスはFLモードで動作し、その他のデバイスはSLモードで動作することができる。 本論文は,(1)学習モードの選択が全体の学習性能にどのように影響するか,2)バッチサイズとどのように相互作用するか,という3つの重要な疑問に対処することによって,HSFLを加速することを目的としている。
  論文  参考訳（メタデータ） (2025-11-25T02:29:22Z)
• Nix-TTS: An Incredibly Lightweight End-to-End Text-to-Speech Model via Non End-to-End Distillation [4.995698126365142]
  我々は,軽量なニューラルTS(Text-to-Speech)モデルであるNix-TTSを提案する。 我々は、知識蒸留を、強力ながら大規模なTTS教師モデルに適用する。 Nix-TTSはエンド・ツー・エンド(ヴォコーダフリー)で、5.23Mのパラメータしか持たない。
  論文  参考訳（メタデータ） (2022-03-29T15:04:26Z)
• Learning Speaker Embedding from Text-to-Speech [59.80309164404974]
  我々は,エンドツーエンドのTacotron 2 TTSと話者埋め込みネットワークを,自己指導型で共同で訓練した。 本研究は,手書き文字とASR書き起こし文字のトレーニングについて検討した。 教師なしTS埋め込みは、LibriTTSデータセットのi-vectorに関して、EERを2.06%改善した。
  論文  参考訳（メタデータ） (2020-10-21T18:03:16Z)
• You Do Not Need More Data: Improving End-To-End Speech Recognition by Text-To-Speech Data Augmentation [59.31769998728787]
  我々は、ASRトレーニングデータベース上にTSシステムを構築し、合成音声でデータを拡張し、認識モデルを訓練する。 テストクリーンはWER 4.3%,他のテストクリーンは13.5%で、このシステムはLibriSpeechトレインクリーン100で訓練されたエンドツーエンドASRの競争結果を確立している。
  論文  参考訳（メタデータ） (2020-05-14T17:24:57Z)

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。