arXiv · cs.AI· Junjie Cao·· 7 小时前
用于文本-语音对齐的自适应时长模型
Adaptive Duration Model for Text Speech Alignment
arXiv:2507.22612v3阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Junjie Cao
研究任务与主要进展
论文提出一种新的时长预测框架，可根据文本给出音素级时长分布，用于神经 TTS 的语音-文本对齐。基于摘要，实验显示该模型相比已有基线预测更精确、对条件更具适应能力，在音素级对齐精度上有明显提升，并使零样本 TTS 模型对提示音频与输入音频不匹配更鲁棒。以上为论文摘要信息，未经全文核验。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org