研究者らは、トルコ語に最適化されたコンパクトなトークナイザー不要の音声合成モデル「Freya-TTS」を発表し、Freya-TR-Evalベンチマークで8.0%の単語誤り率（WER）を達成しました。1億8320万パラメータの非自己回帰型条件フローマッチングDiffusion Transformerは、AudioVAE2の凍結された連続潜在空間で動作し、音素化や離散音声トークナイザーなしで48 kHzの高品質な再構成を可能にします。

  • ルールレスのエンドツーエンドモデリングのために92記号のトルコ語文字語彙を使用。
  • 非自己回帰型の並列ノイズ除去により、潜在シーケンス全体を同時に予測。
  • 単一話者音声固定と短発話カバレッジを含む二段階のポストトレーニングレシピを採用。
  • コンシューマーGPUでリアルタイムファクター0.11を達成し、ノートPCのCPUではリアルタイムより高速に動作。

本モデルはApache-2.0ライセンスの下で公開され、リソース制約のあるエッジ環境への展開に適した効率的な会話合成を提供します。