基于掩码音频标记建模和语义知识蒸馏的单阶段语音合成

音频标记建模已成为语音合成的强大框架，两阶段方法采用语义标记仍占主导地位。本文旨在通过引入语义知识蒸馏方法，实现单阶段高质量语音生成。我们提出的模型在语音质量、语音清晰度和说话人相似性方面均优于单阶段基线。尽管两阶段系统在语音清晰度方面仍领先，但我们的模型显著缩小了差距，同时提供了可比的语音质量。这些发现展示了单阶段模型能够实现高效、高质量的语音合成，并提供了更紧凑、更简洁的架构。