Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

CosyVoice 3: Towards In-the-wild Speech Generation via Scaling-up and Post-training

Created by
  • Haebom

저자

Zhihao Du, Changfeng Gao, Yuxuan Wang, Fan Yu, Tianyu Zhao, Hao Wang, Xiang Lv, Hui Wang, Chongjia Ni, Xian Shi, Keyu An, Guanrou Yang, Yabin Li, Yanni Chen, Zhifu Gao, Qian Chen, Yue Gu, Mengzhe Chen, Yafeng Chen, Shiliang Zhang, Wen Wang, Jieping Ye

개요

CosyVoice 2의 후속 모델인 CosyVoice 3은 제로샷 다국어 음성 합성을 위한 모델로, 기존 모델의 언어 적용 범위, 도메인 다양성, 데이터 양, 텍스트 형식, 그리고 추가 학습 기법의 한계를 극복하고자 개발되었습니다. 주요 특징으로는 새로운 음성 토크나이저(다중 작업 학습을 통해 개발), 새로운 미분 가능한 보상 모델(CosyVoice 3 및 다른 LLM 기반 음성 합성 모델에 적용 가능), 데이터셋 크기 확장(1만 시간에서 100만 시간으로, 9개 언어 및 18개 중국어 방언 포함), 모델 크기 확장(0.5억 파라미터에서 1.5억 파라미터로) 등이 있습니다. 이를 통해 내용 일관성, 화자 유사성, 운율 자연스러움이 향상되어 실제 환경에서의 음성 합성 발전에 크게 기여합니다.

시사점, 한계점

시사점:
제로샷 다국어 음성 합성 성능 향상 (내용 일관성, 화자 유사성, 운율 자연스러움 개선).
새로운 음성 토크나이저 및 미분 가능한 보상 모델 제시.
대규모 데이터셋(100만 시간)을 활용한 성능 향상.
다양한 언어 및 도메인 지원.
한계점:
논문에서 구체적인 한계점은 언급되지 않았으나, 향후 연구를 통해 추가적인 개선이 필요할 수 있음 (예: 특정 언어 또는 도메인에 대한 성능 저하 가능성).
100만 시간의 대규모 데이터셋 학습에 필요한 컴퓨팅 자원 및 비용 문제.
👍