쌓인 기록에서 찾기
무엇을 찾으세요?
날짜를 몰라도 됩니다. 제목·Key Point·요약·태그를 한꺼번에 뒤집니다.
검색 범위부터 2026년 10월 30일 (금)까지3636건
7건 · "음성합성"조건 지우기 ×
001새 버전Hugging Face Transformers v5.21 릴리스, 5개 신규 모델 추가Transformers 라이브러리가 v5.21.0을 릴리스했으며, 문서 인식부터 음성 합성까지 5개 모델을 새로 지원한다.AI · 머신러닝 · huggingface/transformers@v5.21
Key Point문서 이해, 음성 합성 등 신규 모델 5개가 추가되고 병렬 처리·양자화·캐시 처리가 크게 개선되어 LLM과 멀티모달 모델 개발자들에게 직접적인 영향이 있다.
핵심 요약
- Transformers 라이브러리가 v5.21.0을 릴리스했으며, 문서 인식부터 음성 합성까지 5개 모델을 새로 지원한다.
- MiniCPM-OCR은 OpenBMB의 모델로 SigLIP 비전 인코더와 Qwen3.5 언어 모델을 결합해 스캔 페이지, 스크린샷, 영수증 등 텍스트 밀집 이미지를 읽는다.
- Flint는 Recursive의 혼합 전문가 모델로 슬라이딩 윈도우 주의(512개 토큰 범위)와 완전 주의를 결합하며, 각 희소 계층이 256개 전문가 중 6개를 라우팅한다.
전체 요약 12문장 읽기 →AI · 머신러닝 · RubatoCodec: Budgeted Adaptive Speech Tokenization with Streaming Decoding
Key Point저대역폭 음성 생성에서 품질과 안정성을 동시에 확보하는 새로운 접근법으로, 음성 AI 모델 개발자들이 토큰 예산을 명확히 제어하면서도 높은 음질을 유지할 수 있게 한다.
핵심 요약
- 신경망 기반 음성 코덱은 음성을 이산 토큰으로 변환하는데, 프레임 레이트가 낮을수록 토큰 시퀀스가 짧아지지만 각 토큰이 더 많은 정보를 담아야 한다.
- 기존 가변 프레임 레이트 코덱은 임계값 기반 할당으로 콘텐츠에 따라 토큰 개수가 달라져 생성 모델이 예측해야 할 시퀀스 길이가 불안정하다.
- RubatoCodec은 X-Codec-2 기반의 가변 프레임 레이트 음성 코덱으로, 발화 단위의 명시적 이벤트 예산과 스트리밍 디코딩을 지원한다.
전체 요약 10문장 읽기 →AI · 머신러닝 · DEFINE: Exemplar-Guided Accent Control for Zero-Shot TTS
Key PointZero-shot TTS에서 발화자와 억양을 독립적으로 제어하는 새로운 방식으로, 단일 모델로 학습 밖의 억양까지 처리할 수 있다는 점이 기술적 진전을 보여준다.
핵심 요약
- Zero-shot TTS는 짧은 음성 샘플로 새로운 발화자를 재현할 수 있지만 발화자 정체성과 억양이 같은 샘플에 섞여 있는 문제가 있었다.
- DEFINE은 발화자 정체성과 목표 억양을 각각 다른 음성 샘플로 조건화해 두 요소를 분리하는 프레임워크이다.
- F5-TTS 기반이며 LoRA를 사용한 매개변수 효율적 적응으로 구현되었고, 짧은 억양 샘플을 조건화 공간으로 매핑하는 인코더를 학습된 억양 프로토타입으로 감독한다.
전체 요약 8문장 읽기 →AI · 머신러닝 · Tacit-TTS: From Autoregressive Decoding to Masked Prediction for Efficient Transcript-Free Voice Cloning
Key Point음성 복제 음성합성의 속도와 유연성 문제를 동시에 해결하는 방식이 등장했으며, 텍스트 없는 조건화로 다국어·비음성 참조까지 지원하는 확장성이 실제 응용 시 의미가 있다.
핵심 요약
- 기존 음성 복제 TTS는 자동회귀 시맨틱 모델링으로 높은 품질과 표현력을 보였지만, 순차 디코딩으로 인한 높은 지연 시간이 문제였다.
- 논문은 Tacit-TTS라는 효율적인 음성 복제 시스템을 제안하며, IndexTTS2에서 증류(distillation)한 모델이다.
- 자동회귀 텍스트-시맨틱 디코딩을 마스크 기반 비자동회귀 생성으로 대체하고, 학습 없는 음성 길이 추정을 도입했다.
전체 요약 7문장 읽기 →AI · 머신러닝 · EmoRES-TTS: Residual-Enhanced Vector Steering for Emotional Speech Generation
Key Point감정 음성합성에서 모델을 재학습하지 않고도 감정 표현 정확도를 최대 35% 향상시킬 수 있는 새 방법으로, 리소스가 제한된 음성 AI 개발에 실질적 이점을 제공한다.
핵심 요약
- 감정 조건부 음성합성(TTS) 모델이 요청한 감정을 제대로 표현하지 못하는 문제를 해결하기 위해 재학습 없이 내부 표현을 수정하는 벡터 스티어링 기법을 연구했다.
- 기존 CoCoEmo 방식은 감정 벡터를 하나의 단일 강도로 제어하는 방향으로만 보아 감정 정확도가 제한적이었다.
- 연구팀은 감정 벡터가 음성을 중립 표현에서 벗어나게 하는 공유 성분과 요청한 감정으로 생성을 유도하는 잔여 성분으로 분해될 수 있음을 발견했다.
전체 요약 8문장 읽기 →AI · 머신러닝 · OpenBMB/VoxCPM · Python
Key Point텍스트 설명만으로 음성을 만들고, 짧은 샘플로 목소리를 복제하며, 한 번에 48kHz 고품질 오디오를 생성하는 음성합성 기술이 오픈소스로 공개되어 개발자들이 자유롭게 활용할 수 있게 됐다.
핵심 요약
- OpenBMB가 VoxCPM2를 출시했다. 토크나이저를 거치지 않고 직접 음성을 생성하는 2B 파라미터 모델으로, 200만 시간 이상의 다국어 음성 데이터로 학습됐다.
- 30개 언어를 지원하며 텍스트 설명만으로 새로운 음성을 만드는 음성 설계 기능, 짧은 음성 샘플로 목소리를 복제하는 제어 가능한 클로닝, 음성과 대본을 함께 제공하는 최고 품질 클로닝을 지원한다.
- 입력은 16kHz 음성을 받아 48kHz 스튜디오 품질 오디오로 출력하며, RTX 4090에서 RTF 0.3 수준의 실시간 스트리밍 속도를 달성한다.
전체 요약 4문장 읽기 →AI · 머신러닝 · k2-fsa/OmniVoice · Python
Key Point지금까지 가장 광범위한 언어 커버리지를 갖춘 제로샷 TTS 모델이 공개되어 다국어 음성 합성 애플리케이션 개발에 새로운 가능성을 열고 있다.
핵심 요약
- K2-FSA가 600개 이상 언어를 지원하는 다중언어 제로샷 TTS 모델 OmniVoice를 공개했다.
- 확산 언어 모델 기반 아키텍처로 설계되어 높은 음성 품질과 빠른 추론 속도(RTF 0.025, 실시간 40배)를 제공한다.
- 참조 음성 클립(3~10초)으로 음성을 복제하거나 성별, 나이, 음역, 방언 등 속성으로 음성을 설계할 수 있다.
전체 요약 5문장 읽기 →