论文
零样本文本到语音中度量诱导离散流匹配的具有矩校正的动力学优化调度
Kinetic-Optimal Scheduling with Moment Correction for Metric-Induced Discrete Flow Matching in Zero-Shot Text-to-Speech
摘要
度量诱导离散流匹配（MI-DFM）利用词元潜在几何进行离散生成，但其实际使用受到两个问题的限制：需要超参数搜索的启发式调度程序，以及来自其一阶连续时间马尔可夫链（CTMC）求解器的有限步路径跟踪误差。我们解决这两个问题。首先，我们为规定的标量参数化概率路径推导了一个动力学最优调度程序，并将其针对 MI-DFM 实例化为 无需训练 数值调度程序，以恒定的 Fisher-Rao 速度遍历该路径。其次，我们引入了有限步矩校正，可以调整跳跃概率，同时保留 CTMC 跳跃目的地分布。我们在基于编解码器的零样本文本转语音 (TTS) 上验证了所得方法 GibbsTTS。在与统一架构和大规模数据集的受控比较下，GibbsTTS 实现了最佳的客观自然度，并且在主观评估中优于屏蔽离散生成基线。此外，与评估的最先进的 TTS 系统相比，GibbsTTS 显示出很强的说话人相似度，在四个测试集中的三个上实现了最高相似度，在第四个测试集中排名第二。项目页面：https://ydqmkkx.github.io/GibbsTTSProject