인간 같은 다화자 대화를 위한 제로샷 음성 생성 기술 CoVoMix

CoVoMix는 제로샷 기반의 다화자 다라운드 대화 음성 생성 모델로, 대화 텍스트를 개별 화자의 의미 정보를 나타내는 이산 토큰 스트림으로 변환하고, 이를 이용해 혼합 멜-스펙트로그램을 생성하며, 최종적으로 HiFi-GAN 보코더를 통해 자연스러운 대화 음성을 합성할 수 있습니다.