IT之家 2 月 3 日消息，科技媒体 9to5Mac 今天（2 月 3 日）发布博文，报道称苹果公司携手特拉维夫大学，联合发表论文，提出名为“原则性粗粒度”（PCG）的语音生成新方法，从而解决 AI 文本转语音（TTS）技术的速度瓶颈。

IT之家援引博文介绍，在生成语音方面，目前行业主流采用“自回归模型”，采用“逐个预测”的方式，即基于已有的 tokens 来预测下一个。

然而，这种机制要求预测结果必须“精确匹配”预设的 tokens，导致模型经常拒绝实际上听感差异极小、完全可用的预测结果。这种过于严苛的验证标准，直接拖慢了整体的生成速度。

研究团队为了解决上述问题，提出了“原则性粗粒度”（Principled Coarse-Graining，简称 PCG）技术。该技术的核心逻辑在于“求同存异”：研究人员认为，不同的声学 token 往往能产生几乎相同的听觉效果。

因此，PCG 不再将每个声音视为完全独立的个体，而是建立了“声学相似组”。只要模型生成的预测 token 落在正确的“相似组”范围内，系统就会予以采纳。这种灵活的验证机制，本质上是将严苛的“单点验证”升级为了容错率更高的“范围验证”。

在具体运行中，PCG 引入了“投机解码”策略，构建了一套双模型协作架构。首先，由一个轻量级的小模型快速“猜测”并提出候选语音 token；随后，由一个参数更大的“裁判模型”进行审核。

只要候选 token 属于正确的声学组，大模型便会“放行”。这种分工不仅保留了小模型的高速度，也利用大模型保障了输出质量，有效平衡了效率与准确性。

试验数据显示，应用 PCG 技术后，语音生成速度提升了约 40%，且并未牺牲音频质量。在自然度评分（满分 5 分）中，该模型取得了 4.09 的高分。

在一项极限压力测试中，研究人员将 91.4% 的语音 token 替换为同组的其他 token，结果显示词错率仅增加了 0.007，说话人相似度仅下降 0.027，人耳几乎无法察觉差异。

PCG 属于“推理阶段”的优化方案，意味着无需对现有模型进行耗时耗力的重新训练即可直接应用。此外，存储声学相似组仅需约 37MB 的额外内存。

本文转自：凤凰网科技

原文地址： https://tech.ifeng.com/c/8qR7fdBmqxk