跳到主要内容
检索

Qiaolin Wang

1 篇关联报道

订阅更新
  1. arXiv

    NVAlign 用冻结 NV-ASR 的可微奖励直穿流匹配采样器,把三个连续 AR-FM TTS 系统的人评标签跟随率最高从 39.8% 提到 54.0%

    NVAlign 提出一种面向连续自回归流匹配 TTS 的直梯度后训练框架:先在带非言语发声标注的语音上监督微调 TTS 模型与基于 Qwen3-Omni-30B 的 NV-ASR 模型,再冻结 NV-ASR 作为奖励模型,用两步梯度代理把目标标签概率的梯度穿过流匹配采样器,联合更新自回归骨干与声学流头,并以保真度惩罚和参考速度正则约束更新;在 NVV-SuperBench 与盲听评测中,其标签跟随准确率在 VoxCPM2、dots.tts 和一套英文生产系统上均高于 SFT 与 Flow-GRPO 基线。

已读完全部报道