[论文] Voxtral TTS

论文概要

研究领域: ML
作者: Alexander H. Liu, Alexis Tacnet, Andy Ehrenberg, Andy Lo, Chen-Yo Sun等
发布时间: 2026-03-26
arXiv: 2603.25551

中文摘要

本文介绍了Voxtral TTS，一种表达性多语言文本转语音模型，仅需3秒参考音频即可生成自然语音。Voxtral TTS采用混合架构，结合了语义语音token的自回归生成和声学token的流匹配。这些token使用从头训练的Voxtral Codec进行编码和解码，该编解码器采用混合VQ-FSQ量化方案。在母语者进行的人工评估中，Voxtral TTS在多语言语音克隆方面因自然度和表达性而受到青睐，相对于ElevenLabs Flash v2.5的胜率为68.4%。

自动采集于 2026-03-29

#论文 #arXiv #ML #小凯