• demo page
• Detai Xin， tanxu
• 微软 & 东大 & 浙大

abstract

• 使用CoT的思路，和Valle的框架，先实现LLM预测音素级别pitch/duration，然后预测speech token。

methods

Prosody tokens as chain-of-thought prompts

• 和Valle一样，仍然是AR+NAR结构
• AR先预测pitch/duration，在预测speech token，因为L<<T，所以作者认为对效率影响不大；
  
  
• NAR结构：sum(pitch, duration, phone)
  

Enhancing alignment with duration-guided masking

• Valle中，transformer attention 可以计算所有的phone和speech token，因此align不稳定；
• Ralle限制当前phone只能在对应的mel window内计算；相对应，也只能在window 内和pitch token计算；AR加入此mask策略之后稳定性提升显著；NAR 中加入此mask策略没有明显效果；
• 因为inference的时候，先知道duration，所以判断模型是否停止不是看$<EOS>$，而是看推理长度是否是$sum(dur)$，以减少skip/repeat error。