Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > eess > arXiv:2509.15085

帮助 | 高级搜索

电气工程与系统科学 > 音频与语音处理

arXiv:2509.15085 (eess)
[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

Authors:Simon Welker, Tal Peer, Timo Gerkmann
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。
摘要: The task of Mel vocoding, i.e., the inversion of a Mel magnitude spectrogram to an audio waveform, is still a key component in many text-to-speech (TTS) systems today. Based on generative flow matching, our prior work on generative STFT phase retrieval (DiffPhase), and the pseudoinverse operator of the Mel filterbank, we develop MelFlow, a streaming-capable generative Mel vocoder for speech sampled at 16 kHz with an algorithmic latency of only 32 ms and a total latency of 48 ms. We show real-time streaming capability at this latency not only in theory, but in practice on a consumer laptop GPU. Furthermore, we show that our model achieves substantially better PESQ and SI-SDR values compared to well-established not streaming-capable baselines for Mel vocoding including HiFi-GAN.
评论: (C) 2025 IEEE。个人使用此材料是允许的。对于所有其他用途,必须从IEEE获得许可,包括在任何当前或未来的媒体中,包括重新印刷/再发布此材料用于广告或促销目的,创建新的集体作品,出售或重新分发到服务器或列表,或在其他作品中重复使用本作品的任何受版权保护的部分。
主题: 音频与语音处理 (eess.AS) ; 机器学习 (cs.LG); 声音 (cs.SD); 信号处理 (eess.SP)
引用方式: arXiv:2509.15085 [eess.AS]
  (或者 arXiv:2509.15085v1 [eess.AS] 对于此版本)
  https://doi.org/10.48550/arXiv.2509.15085
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Simon Welker [查看电子邮件]
[v1] 星期四, 2025 年 9 月 18 日 15:43:06 UTC (498 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
查看许可
当前浏览上下文:
eess.AS
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-09
切换浏览方式为:
cs
cs.LG
cs.SD
eess
eess.SP

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

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

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

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.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号