본 논문은 제로샷 음성 변환(zero-shot voice conversion)의 성능 향상에 초점을 맞추고 있습니다. 기존 방법들의 제로샷, 특히 교차 언어 설정에서의 한계를 극복하기 위해, 자기 지도 학습 모델에서 얻은 불연속적인 음성 표현과 비자동회귀 확산-트랜스포머 기반 조건부 흐름 매칭 음성 디코더를 결합하는 간단하면서도 효과적인 접근 방식을 제시합니다. 이 아키텍처는 텍스트 없이 순수하게 자기 지도 학습 방식으로 음성 변환 모델을 학습할 수 있게 하며, 음성 특징을 분리하기 위한 여러 인코더가 필요하지 않습니다. 또한, 본 논문의 모델은 보지 못한 언어에 대해서도 제로샷 교차 언어 설정에서 뛰어난 성능을 보입니다.
