💡
原文中文，约4500字，阅读约需11分钟。
📝
内容提要
本文提出了一种增强的残差矢量量化（ERVQ）方法，通过优化码本内外来解决码本崩溃问题，从而提升神经音频编解码器的性能。实验结果表明，ERVQ在多种模型和比特率下显著提高了音频质量和泛化能力。
🎯
关键要点
- 提出了一种增强的残差矢量量化（ERVQ）方法，旨在解决码本崩溃问题。
- ERVQ通过码本内和码本间优化来提高神经音频编解码器的性能。
- 实验结果显示，ERVQ在多种模型和比特率下显著提高了音频质量和泛化能力。
- 码本内优化结合在线聚类策略和码平衡损失，以确保均衡和有效的码本利用率。
- 码本间优化通过最小化连续量化层之间的相似性来提高量化特征的多样性。
- ERVQ实现了100%的码本利用率，显著提升了音频编解码器的性能。
- 通过ERVQ策略改进的音频编解码器在下游zero shot文本到语音任务中生成的语音自然度有显著改善。
- 实验表明，ERVQ策略在不同数据集规模上均有效，且所有指标的改善具有统计学显著性。
- 引入的在线聚类策略和码平衡损失显著提高了系统性能，促进了更有效的码使用。
- ERVQ增强的音频编解码器在实际应用中展现出良好的潜力，特别是在生成更具表现力和情感丰富的语音方面。
➡️
