arXiv cs.AI· Junjie Cao·· 2 天前AI 评分8
被撤回的 arXiv 论文：Adaptive Duration Model for Text Speech Alignment
Adaptive Duration Model for Text Speech Alignment
AI 导读
一篇题为 Adaptive Duration Model for Text Speech Alignment 的 arXiv 论文已被作者 Junjie Cao 撤回，撤回理由为工作不完整、质量不佳且已过时。
正文 · AI 翻译
本文已被曹俊杰撤回
摘要：语音到文本对齐是神经文本到语音（TTS）模型的关键组成部分。自回归 TTS 模型通常使用注意力机制在线学习这些对齐，而非自回归端到端 TTS 模型则依赖从外部来源提取的时长。在本文中，我们提出了一种新颖的时长预测框架，能够在给定文本的情况下给出有前景的音素级时长分布。在我们的实验中，与之前的基线模型相比，所提出的时长模型具有更精确的预测能力和对条件的适应能力。具体而言，它在音素级对齐准确度上取得了相当大的改进，并使零样本 TTS 模型的性能对提示音频与输入音频之间的不匹配更加鲁棒。
| 评论： | 该工作尚未完成，是一项糟糕且过时的工作 |
| 主题： | 声音 (cs.SD)；人工智能 (cs.AI)；音频与语音处理 (eess.AS) |
| 引用为： | arXiv:2507.22612 [cs.SD] |
| （或 arXiv:2507.22612v3 [cs.SD] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2507.22612 arXiv 颁发的 DOI，通过 DataCite |
提交历史
发件人：Junjie Cao [查看电子邮件]
[v1]
2025年7月30日星期三 12:31:11 UTC (150 KB)
[v2]
2025年8月29日星期五 06:09:29 UTC (144 KB)
[v3]
2026年10月15日星期四 12:13:45 UTC (1 KB) （已撤回）
来源：arXiv cs.AI · arxiv.org