Model
dots.tts: Sürekli akustik gizli değişkenler, akış eşleştirme ve 48 kHz uzun menzilli konuşma
Konuşma sentezi / Yazıların yoğun okunması
Konuşma sentezi / Yazıların yoğun okunması
© 2026 TelkNet. Tüm haklar saklıdır.
KONUŞMA SENTEZİ
dots.tts konuşmayı ayrık ses belirteçlerine indirgemiyor. AudioVAE sürekli gizil değişkenler sağlıyor, bir anlamsal kodlayıcı üretilen parçaları dil omurgası için sıkıştırıyor ve bir akış başlığı bir sonraki akustik yörüngeyi tahmin ediyor.
Model, dil gizli durumu h ve konuşmacı bilgisi s ile koşullandırılmış L=E||v_θ(x_t,t,h,s)-u_t||² öğreniyor. SOAR öz düzeltmeli hizalama ekliyor; MF yörüngeyi dört değerlendirmeye damıtıyor.
Resmî Seed-TTS-Eval tablosu, yayımlanan üç bölüm genelinde SOAR için 79.2 ortalama SIM ve dört adımlı MeanFlow modeli için 78.2 veriyor. SOAR öz düzeltmeli hizalanmış; MeanFlow daha uzun bir öğretmen yörüngesini dört adımlı bir öğrenciye damıtarak hem hızı hem de akustik hata biçimlerini değiştiriyor.
Resmî kullanım notları, metni kayıtla eşleşen kısa ve temiz bir referans öneriyor. Yaklaşık on saniye normalde yeterli; daha uzun istemler klonlamayı kendiliğinden iyileştirmiyor. Referanssız rastgele örnekleme, kalıcı bir karakter kimliği değildir.
dots.tts, sürekli akış eşlemeyi metin, konuşmacı referansı ve akustik bağlamla koşullandırıyor. dots.tts-soar, açık alan sağlamlığı ve çıkarım davranışı için eğitimi ve ağırlıkları ayarlıyor. LongCat-AudioDiT de sürekli üretim kullanıyor, ancak aynı görev veya protokol değil.
Konuşma sentezi, akustik özellikler artı vokoderlerden özgerileşimli codec belirteçlerine, oradan difüzyon ve akış eşlemeye geçti. Önemli değişim yörünge ve koşullandırmada; basit bir eskiden yeniye etiketi değil. Kısa bir referans; tınıyı, aksanı, mikrofonu ve odayı birlikte taşır.
p(z₁:T|text)=∏_t pθ(z_t|z_<t,text), z_t∈R^dz_tsürekli akustik gizil değişkenz_<tönceki akustik bağlamtextnormalize edilmiş metin ve denetimlerAudioVAE 48 kHz dalga biçimlerini sürekli gizil değişkenlere sıkıştırıyor, anlamsal yeniden kodlama içerik ipuçlarını geri getiriyor, Qwen2.5 omurgası bağlamı modelliyor ve bir akış başlığı akustiği yeniden kuruyor. Sürekli z, ayrık bir codec belirteci değildir.
32 adımda SOAR ile dört adımda MF, bir kalite-gecikme dengesini açığa çıkarıyor. Benzerlik, WER, ilk ses gecikmesi ve tam gerçek zaman faktörü birbirinden ayrı tutulmalı.
Makale, kod ve ağırlıklar dots.tts / dots.tts-soar / Teknik rapor üzerinden izlenebilir.
Her satır kendi kaynak mimarisini, metriğini veya görev tanımını koruyor; ortak protokolü olmayan sonuçlar ayrı kalıyor.
| Model | Mimari veya kanıt | Kapsam |
|---|---|---|
| dots.tts | temel sürekli akış kontrol noktası | içerik, tını ve uzun biçim tutarlılığı |
| dots.tts-soar | açık alan/çıkarım modeli | aynı referans altında kararlılık ve gecikme |
| özgerileşimli codec TTS | belirteç belirteç taban çizgisi | ilk ses, tekrar ve hata birikimi |
Benzerliği değerlendirmeden önce sayıları, kısaltmaları, çok sesli harfleri ve duraklamaları kelime kelime doğrulayın. Konuşmacı puanları atlamaları ve tekrarları kaçırabilir; ASR kopyalanan gürültüyü ve oda renklenmesini gözden kaçırabilir.
SOAR ile temel modeli aynı metin ve referansla karşılaştırın. İlk sese kadar geçen süreyi, gerçek zaman faktörünü, tepe belleği ve uzun biçim kararlılığını ayrı ayrı kaydedin; bir sistemi tek akıcı cümleyle özetlemeyin.
Sıfır atımlı ses koşullandırması, konuşmacı onayı değildir. Kamusal kullanım; izin, amaç sınırları ve bir geri çekme yolu gerektirir.
Duygu, aksan ve ortam tınıyla birlikte kopyalanabilir; model, saf bir kimlik faktörünün ayrıştırılacağını garanti edemez.
Model adları, sayılar ve sınırlamalar aşağıdaki makalelere, depolara veya model kartlarına dayanıyor.