安定したオーディオのオープン

オープン生成モデルはコミュニティにとって極めて重要であり、微調整を行うことができ、新しいモデルを提示する際の基準としても機能します。しかし、現在のテキストから音声への変換モデルの多くは非公開であり、アーティストや研究者がそれらを基に構築することが困難です。本稿では、クリエイティブ・コモンズのデータを使用して訓練された新しいオープンウェイトのテキストから音声への変換モデルのアーキテクチャと訓練プロセスについて説明します。評価結果によると、当該モデルの性能は様々な指標において最先端技術と競合しており、特に報告されたFDopenl3結果（生成物の現実性を測定）は44.1kHzでの高品質ステレオサウンド合成の可能性を示しています。