电气工程与系统科学 > 音频与语音处理
[提交于 2025年9月18日
]
标题: 基于生成流匹配的实时流式梅尔声码器
标题: Real-Time Streaming Mel Vocoding with Generative Flow Matching
摘要: Mel声码器的任务,即从Mel幅度频谱图逆变音频波形,仍然是许多文本到语音(TTS)系统中的关键组件。 基于生成流匹配,我们之前在生成STFT相位恢复(DiffPhase)的工作,以及Mel滤波器组的伪逆算子,我们开发了MelFlow,一种适用于16 kHz采样语音的流式生成Mel声码器,算法延迟仅为32毫秒,总延迟为48毫秒。我们不仅在理论上,而且在消费级笔记本电脑GPU上实际展示了这种延迟下的实时流式能力。 此外,我们表明,与一些已建立的非流式基线相比,我们的模型在PESQ和SI-SDR值方面取得了显著更好的结果,这些基线包括HiFi-GAN。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.