摘要

我们介绍了Matcha-TTS，这是一种新的编码器-解码器架构，用于快速的语音合成（Text-to-Speech, TTS）声学建模，训练方法采用了最优传输条件流匹配（Optimal-Transport Conditional Flow Matching, OT-CFM）。这产生了一个基于常微分方程（ODE）的解码器，能够在比使用得分匹配训练的模型更少的合成步骤中实现高质量输出。此外，精心的设计选择还确保了每个合成步骤都能快速运行。该方法是概率性的、非自回归的，并且无需外部对齐即可从零开始学习说话。与强大的预训练基线模型相比，Matcha-TTS系统具有最小的内存占用量，在长句合成时速度可与最快的模型媲美，并在听觉测试中获得了最高的平均意见评分。请访问https://shivammehta25.github.io/Matcha-TTS/ 获取音频示例、代码和预训练模型。