StyleStream 2.0 将流式语音风格转换延迟降至 520 毫秒并加入文本控制。
资讯摘要
论文提出 StyleStream 2.0 流式语音风格转换框架，针对 1.0 版约 1 秒端到端延迟和缺少文本接口的问题，采用少步 pixel MeanFlow 模型并结合 Self Forcing 式自回归反馈微调，在消费级 GPU 上把延迟降至 520 毫秒，约为 1.0 版的两倍加速。框架还移除 mel 频谱上下文，改用紧凑风格嵌入，并训练统一的文本条件流匹配模型，支持文本语音设计与指令式语音编辑。作者报告其在目标风格保真度上表现最强。
要点速读
- 论文称在消费级 GPU 上端到端延迟降至 520 毫秒，较 StyleStream 1.0 约提速 2 倍，并保持转换质量。
- 通过移除 mel 频谱上下文、改用紧凑风格嵌入，训练统一的文本条件流匹配模型。
- 该模型支持文本语音设计与指令式语音编辑，作者报告在目标风格保真度上最强，可懂度与非编辑属性保持具竞争力。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/23 08:00:11（北京时间）。