Llasa TTS – 香港科技大学开源的文本转语音模型-爱论文

Llasa TTS是什么

Llasa TTS 是香港科技大学基于 LLaMA 架构推出的开源文本转语音（TTS）模型，支持高质量语音合成和克隆。Llasa TTS 基于单层向量量化（VQ）编解码器和单个 Transformer 架构，与标准 LLaMA 模型完全对齐，生成自然流畅的语音，支持情感表达和音色克隆等功能。Llasa TTS 在训练和推理阶段均表现出色，基于扩展训练时间和推理时间的计算资源，提升语音的自然度、韵律准确性和情感表达能力。Llasa TTS 提供 1B、3B 和 8B 参数规模的模型，支持多语言合成。

Llasa TTS的主要功能

高质量语音合成：生成自然流畅的语音，支持中英文双语，适用于多种应用场景。情感表达：注入情感信息，生成带有快乐、愤怒、悲伤等情感色彩的语音，增强语音的自然度和表现力。语音克隆：仅需少量音频样本（如15秒），克隆特定人声的音色和情感，实现个性化语音合成。长文本支持：支持处理长文本输入，生成连贯的语音输出，适用于有声读物、语音播报等场景。零样本学习：支持对未见过的说话者或情感进行语音合成，无需额外的微调。

Llasa TTS的技术原理

基于 Transformer 的架构：基于单个 Transformer 架构，与标准的大型语言模型完全对齐。用单层向量量化（VQ）编解码器将语音波形转换为离散的语音标记，基于 Transformer 进行建模。语音分词器：编码：将语音信号分解为语义特征和声学特征，分别基于预训练的 Wav2Vec2-BERT 和卷积模块提取。量化：用改进的向量量化（VQ）技术将特征编码为离散标记。解码：将离散标记解码回高质量的语音波形，支持语义和声学信息的重建。训练与推理扩展：训练时间扩展：基于增加模型规模（如 1B、3B、8B 参数）或训练数据量（如 250k 小时语音数据），提升语音自然度和韵律准确性。推理时间扩展：在推理阶段引入语音理解模型作为验证器，用复杂的搜索策略（如束搜索、最佳候选选择）优化生成结果，增强情感表达和音色一致性。自回归生成：基于自回归生成方式，逐个生成语音标记，确保生成的语音在语义和韵律上与输入文本一致。

Llasa TTS的项目地址

GitHub仓库：https://github.com/zhenye234/LLaSA_trainingHuggingFace模型库：https://huggingface.co/collections/HKUSTAudio/llasaarXiv技术论文：https://arxiv.org/pdf/2502.04128在线体验Demo：https://huggingface.co/spaces/srinivasbilla/llasa-3b-tts

Llasa TTS的应用场景

智能语音助手：为智能设备或软件提供自然流畅的语音交互功能，提升用户体验。有声读物与在线教育：将文字内容转化为生动的语音，为用户或学生提供听觉学习体验。语音播报与客服：用于新闻播报、交通信息提示或客服系统，提供高效的信息传递。游戏与娱乐：为游戏角色或虚拟形象赋予个性化语音，增强沉浸感。语音克隆与内容创作：克隆特定人声，用于广告配音、视频制作或个性化语音内容创作。