Chatterbox-Flash: TTS Zero-Shot con Diffusione a Blocchi

Chatterbox-Flash rappresenta un nuovo modello text-to-speech zero-shot che trasforma un decoder TTS autoregressivo pre-addestrato in un decoder a diffusione a blocchi, consentendo la generazione parallela di token all'interno dei blocchi e mantenendo la capacità di streaming. I ricercatori hanno scoperto che l'uso ingenuo della decodifica a diffusione a blocchi su token vocali discreti influisce negativamente sulla qualità a causa di una distribuzione a coda lunga che favorisce i token ad alta frequenza. Per superare questo problema senza modificare l'architettura, hanno proposto il prior-calibrated scoring (che sottrae la distribuzione marginale dei token a livello di blocco) e uno schema di decodifica anticipata (che termina adattivamente le iterazioni in base alla confidenza calibrata). Su benchmark standard zero-shot TTS, Chatterbox-Flash offre una sintesi ad alta fedeltà paragonabile a modelli autoregressivi e non autoregressivi robusti, consentendo anche l'inferenza in streaming. Il documento è disponibile su arXiv con riferimento 2605.30748.