Seed-TTS: Uma Família de Modelos de Geração de Fala Versáteis e de Alta Qualidade

Seed-TTS: A Family of High-Quality Versatile Speech Generation Models

June 4, 2024

Autores: Philip Anastassiou, Jiawei Chen, Jitong Chen, Yuanzhe Chen, Zhuo Chen, Ziyi Chen, Jian Cong, Lelai Deng, Chuang Ding, Lu Gao, Mingqing Gong, Peisong Huang, Qingqing Huang, Zhiying Huang, Yuanyuan Huo, Dongya Jia, Chumin Li, Feiya Li, Hui Li, Jiaxin Li, Xiaoyang Li, Xingxing Li, Lin Liu, Shouda Liu, Sichao Liu, Xudong Liu, Yuchen Liu, Zhengxi Liu, Lu Lu, Junjie Pan, Xin Wang, Yuping Wang, Yuxuan Wang, Zhen Wei, Jian Wu, Chao Yao, Yifeng Yang, Yuanhao Yi, Junteng Zhang, Qidi Zhang, Shuo Zhang, Wenjie Zhang, Yang Zhang, Zilin Zhao, Dejian Zhong, Xiaobin Zhuang

cs.AI

Resumo

Apresentamos o Seed-TTS, uma família de modelos autoregressivos de grande escala para conversão de texto em fala (TTS) capazes de gerar fala virtualmente indistinguível da fala humana. O Seed-TTS serve como um modelo base para geração de fala e se destaca no aprendizado de fala em contexto, alcançando desempenho em similaridade de voz e naturalidade que corresponde à fala humana real em avaliações tanto objetivas quanto subjetivas. Com ajuste fino, alcançamos pontuações subjetivas ainda mais altas nessas métricas. O Seed-TTS oferece uma superior controlabilidade sobre diversos atributos de fala, como emoção, e é capaz de gerar fala altamente expressiva e diversa para falantes em cenários reais. Além disso, propomos um método de auto-distilação para fatorização de fala, bem como uma abordagem de aprendizado por reforço para aprimorar a robustez do modelo, a similaridade de voz e a controlabilidade. Adicionalmente, apresentamos uma variante não-autoregressiva (NAR) do modelo Seed-TTS, denominada Seed-TTS_DiT, que utiliza uma arquitetura totalmente baseada em difusão. Diferente de sistemas TTS baseados em NAR anteriores, o Seed-TTS_DiT não depende de durações de fonemas pré-estimadas e realiza a geração de fala por meio de processamento de ponta a ponta. Demonstramos que essa variante alcança desempenho comparável à variante baseada em modelo de linguagem e destacamos sua eficácia na edição de fala. Encorajamos os leitores a ouvir demonstrações em https://bytedancespeech.github.io/seedtts_tech_report.

English

We introduce Seed-TTS, a family of large-scale autoregressive text-to-speech (TTS) models capable of generating speech that is virtually indistinguishable from human speech. Seed-TTS serves as a foundation model for speech generation and excels in speech in-context learning, achieving performance in speaker similarity and naturalness that matches ground truth human speech in both objective and subjective evaluations. With fine-tuning, we achieve even higher subjective scores across these metrics. Seed-TTS offers superior controllability over various speech attributes such as emotion and is capable of generating highly expressive and diverse speech for speakers in the wild. Furthermore, we propose a self-distillation method for speech factorization, as well as a reinforcement learning approach to enhance model robustness, speaker similarity, and controllability. We additionally present a non-autoregressive (NAR) variant of the Seed-TTS model, named Seed-TTS_DiT, which utilizes a fully diffusion-based architecture. Unlike previous NAR-based TTS systems, Seed-TTS_DiT does not depend on pre-estimated phoneme durations and performs speech generation through end-to-end processing. We demonstrate that this variant achieves comparable performance to the language model-based variant and showcase its effectiveness in speech editing. We encourage readers to listen to demos at https://bytedancespeech.github.io/seedtts_tech_report.