Hugging Face Daily Papers·· 29 天前AI 评分38
RubatoCodec:带预算的自适应语音分词与流式解码
RubatoCodec: Budgeted Adaptive Speech Tokenization with Streaming Decoding
AI 导读
RubatoCodec 是基于 X-Codec-2 的可变帧率语音编解码器,通过 utterance 级事件预算和流式解码实现自适应分词。其 Adaptive Firing 机制利用编解码特征与波形频谱变化划分变长事件,无需学习边界预测器。在低事件率下重建保真度和可懂度优于固定帧率编码,英日基准上可懂度保持最佳,匹配 TTS 对比中 WER 更低、UTMOS 与 UTMOSv2 更高。
打开原文 arxiv.org