مدلهای زبانی گفتاری (TTS) معمولاً به دلیل روشهای اتورگرسیو (AR) کند هستند و گاهی دچار خطا میشوند. اما محققان با معرفی مدل جدید «DELTA-TTS» این محدودیتها را کنار زدهاند!
ویژگیهای کلیدی این نوآوری:
✅ سرعت ۳.۳ برابر بیشتر نسبت به مدلهای قبلی
✅ دقت بسیار بالاتر در تلفظ و کاهش توهمات مدل (Hallucinations)
✅ تبدیل مدلهای AR به مدلهای «دیفیوژن» کارآمد با استفاده از تکنیک LoRA
این مدل جدید نهتنها سریعتر است، بلکه با درک بهتر بافت محلی صدا، خروجیهایی با کیفیت بسیار بالاتر ارائه میدهد. پیشرفت در این حوزه یعنی شنیدن صدای طبیعیتر از دستیارهای صوتی در آینده نزدیک! ✨
منبع: arXiv NLP
