ECTSpeech：通过简易一致性调优提升高效语音合成

扩散模型在语音合成中已展现出显著性能，但通常需要多步采样，导致推理效率低下。近期研究通过将扩散模型蒸馏为一致性模型来解决此问题，实现高效的单步生成。然而，这些方法引入了额外的训练成本，且严重依赖预训练教师模型的性能。本文提出 ECTSpeech，一个简单而高效的单步语音合成框架，首次将简易一致性调优（ECT）策略引入语音合成。通过逐步收紧预训练扩散模型上的一致性约束，ECTSpeech 在显著降低训练复杂度的同时实现了高质量的单步生成。此外，我们设计了一个多尺度门控模块（MSGate）以增强去噪器融合多尺度特征的能力。在 LJSpeech 数据集上的实验结果表明，ECTSpeech 在单步采样下达到了与最先进方法相当的音频质量，同时大幅降低了模型的训练成本和复杂度。