ترجمه فارسی مقاله تسریع در تولید شکل موج با وفاداری بالا از طریق بهینه سازی تطبیق جریان مخالف

چکیده

This paper introduces PeriodWave-Turbo, a high-fidelity and high-efficient waveform generation model via adversarial flow matching optimization. Recently, conditional flow matching (CFM) generative models have been successfully adopted for waveform generation tasks, leveraging a single vector field estimation objective for training. Although these models can generate high-fidelity waveform signals, they require significantly more ODE steps compared to GAN-based models, which only need a single generation step. Additionally, the generated samples often lack high-frequency information due to noisy vector field estimation, which fails to ensure high-frequency reproduction. To address this limitation, we enhance pre-trained CFM-based generative models by incorporating a fixed-step generator modification. We utilized reconstruction losses and adversarial feedback to accelerate high-fidelity waveform generation. Through adversarial flow matching optimization, it only requires 1,000 steps of fine-tuning to achieve state-of-the-art performance across various objective metrics. Moreover, we significantly reduce inference speed from 16 steps to 2 or 4 steps. Additionally, by scaling up the backbone of PeriodWave from 29M to 70M parameters for improved generalization, PeriodWave-Turbo achieves unprecedented performance, with a perceptual evaluation of speech quality (PESQ) score of 4.454 on the LibriTTS dataset. Audio samples, source code and checkpoints will be available at https://github.com/sh-lee-prml/PeriodWave.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله به معرفی دوره ای از توربو ، یک مدل تولید موج با وفاداری بالا و با کارآیی بالا از طریق بهینه سازی تطبیق جریان مخالف.به تازگی ، مدل های تولیدی تطبیق جریان مشروط (CFM) با موفقیت برای کارهای تولید شکل موج اتخاذ شده اند و یک هدف تخمین میدان بردار واحد را برای آموزش اعمال می کنند.اگرچه این مدل ها می توانند سیگنال های شکل موج با وفاداری بالا ایجاد کنند ، اما در مقایسه با مدل های مبتنی بر GAN ، به مراحل ODE قابل توجهی بیشتر نیاز دارند ، که فقط به یک مرحله نسل واحد احتیاج دارند.علاوه بر این ، نمونه های تولید شده اغلب به دلیل برآورد میدان بردار پر سر و صدا ، فاقد اطلاعات با فرکانس بالا هستند ، که نتوانسته است از تولید مثل فرکانس بالا اطمینان حاصل کند.برای پرداختن به این محدودیت ، ما مدل های تولیدی مبتنی بر CFM از قبل آموزش دیده را با ترکیب یک اصلاح مولد مرحله ثابت تقویت می کنیم.ما از تلفات بازسازی و بازخورد مخالف برای تسریع در تولید شکل موج با وفاداری بالا استفاده کردیم.از طریق بهینه سازی تطبیق جریان مخالف ، فقط برای دستیابی به عملکرد پیشرفته در معیارهای مختلف هدف ، به 1000 مرحله تنظیم دقیق نیاز دارد.علاوه بر این ، ما به طور قابل توجهی سرعت استنباط را از 16 مرحله به 2 یا 4 مرحله کاهش می دهیم.علاوه بر این ، با مقیاس کردن ستون فقرات موج دوره از 29 متر به 70 متر پارامترهای بهبود یافته ، دوره ای از موج توربو به عملکرد بی سابقه ای دست می یابد ، با ارزیابی ادراکی از کیفیت گفتار (PESQ) 4.454 در مجموعه داده های Libritts.نمونه های صوتی ، کد منبع و پاسگاه ها در https://github.com/sh-lee-prml/periodwave در دسترس خواهند بود.