下一令牌去噪用于语音合成.pdfVIP

下一令牌去噪用于语音合成

YanqingLiuRuiqingXueChongZhangYufeiLiuGangWang

BohanLiYaoQianLeiHeShujieLiuShengZhao

Microsoft

Abstract

虽然扩散模型和自回归（AR）模型在生成建模方面取得了显著进展，但它们

本各自存在明显的局限性。依赖因果注意力的AR模型无法利用未来上下文，

译并且生成速度较慢。相反，扩散模型则难以处理键值（KV）缓存问题。为

中克服这些挑战，我们引入了Dragon-FM，这是一种将AR和流匹配统一的新

文本到语音（TTS）设计。该模型以每秒12.5个令牌的紧凑速率处理48kHz

1