LACE 动态帧率编解码器提升 TTS 效率
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载逐层独立压缩的编码思路
LACE 的核心改动落在量化环节的切分方式上。此前的动态帧率编解码器通常在多层量化之前只做一次压缩，把若干帧合并成一段，于是所有量化层被迫共用同一套分段边界。LACE 的做法是在每一个量化层各自执行一次独立的压缩步骤，让不同层拥有属于自己的分段边界。这一设计的依据在于，各量化层上的残差嵌入随时间变化的快慢并不一致，用同一把尺子去切分并不合适。作者把该方法命名为 Layer-Adaptive Codec Encoding，即层自适应编解码编码。
跨层时长对齐的两个机制
逐层独立压缩带来一个直接后果：各层切出来的段落在时间上不再天然对齐，而下游的文本转语音任务需要时长信息保持一致。为此论文引入两项机制，一是 union alignment，二是 boundary anchor。前者的作用是把各层的分段在时间轴上取并集来对齐，后者则以边界锚点约束各层的时间位置。两者配合的目标是让不同层给出的时长彼此吻合，同时不把压缩带来的序列缩短效果抵消掉。这样处理之后，LACE 产生的 token 才能直接用于下游的 TTS 流程。
LibriTTS 上的取舍结果
实验在 LibriTTS 数据集上展开，覆盖重建与语音合成两类任务。在重建任务中，LACE 在码率与质量的权衡上优于此前的动态帧率方法，也就是在相同压缩程度下能保留更好的重建表现。在 TTS 任务中，该方法提升了推理效率，同时合成质量保持在有竞争力的水平。论文给出的结论是效率与质量可以同时兼顾，而非以牺牲一方换取另一方。论文被 SLT 2026 接收，篇幅为 8 页，含 5 张图。
代码归属与适用范围
实现代码以 ESPnet3 codec recipe 的一部分对外发布，使用者可以在该配方中找到对应内容。需要留意的是，论文对比的对象是此前的动态帧率编解码方案，改进点集中在多层量化场景下的分段粒度，因此其收益与多量化层结构直接相关；对于单码本编解码器，论文并未将其列为对比基准。摘要中列出的评测数据集为 LibriTTS，涉及的任务为重建与 TTS 推理，其他语种、其他数据集上的表现未在摘要范围内给出。
为什么值得看
优化了神经音频编解码器的计算成本，提升了 TTS 推理效率。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。