MaskGCT
无需对齐信息的零样本文本到语音转换模型
普通产品其他文本到语音零样本学习
MaskGCT是一个创新的零样本文本到语音转换(TTS)模型,它通过消除显式对齐信息和音素级持续时间预测的需求,解决了自回归和非自回归系统中存在的问题。MaskGCT采用两阶段模型:第一阶段使用文本预测从语音自监督学习(SSL)模型中提取的语义标记;第二阶段,模型根据这些语义标记预测声学标记。MaskGCT遵循掩码和预测的学习范式,在训练期间学习预测基于给定条件和提示的掩码语义或声学标记。在推理期间,模型以并行方式生成指定长度的标记。实验表明,MaskGCT在质量、相似性和可理解性方面超越了当前最先进的零样本TTS系统。