**VoxMel:无需 Tokenizer 的连续自回归 TTS 框架,基于 Haar 变换实现稳定 Mel 建模**

_VoxMel TTS Technical Report_

> VoxMel 提出了一种无需 tokenizer 的连续自回归语音合成框架,通过固定的可逆 Haar 变换将 Mel 频谱分解为局部平均和频率残差,并进一步将平均分量分解为粗粒度 Mel 和时间残差。该模型利用语言模型骨干网络自回归生成粗粒度 Mel,随后通过非自回归的残差层级预测时间残差和频率残差,从而在保持生成稳定性的同时保留精细声学细节。在 Emilia 数据集上训练的 0.6B 模型在测试集上取得了优异的 WER 和 SIM 成绩,且通过 GRPO 强化学习进一步优化了表现。

**来源信息**
- **来源**:HuggingFace Daily Papers(社区热门论文)
- **分类**:ai-models
- **发布时间**:2026-11-17 08:00(北京时间)
- **原文**:[打开原文](https://huggingface.co/papers/2611.20254)