#speech-editing

1 記事

01 ·音声系·★ 会員·論文·12分で読めます 論文解説: AuK — 音声の「作る」と「直す」を1つのモデルに統一する AuK Technical Report: An Open-Source Foundational Model for Speech Generation and Editing 音声の生成・編集・強調・分離を「自然言語の指示＋音声」という1つの入口に統一したオープンソース基盤モデルAuKを、データ設計・MMDiT骨格・rectified flow・人間選好とGRPO・4ステップ蒸留まで前提知識ゼロから解説する。