由语言模型提供支持的文本到语音（TTS）的最新进步已在实现自然性和零发音克隆方面表现出了显着的功能。值得注意的是，仅解码器的变压器是该域中的突出体系结构。然而，变形金刚面临着依赖于二次复杂性的挑战，在冗长的序列和资源约束的硬件上阻碍了训练。此外，对于TTS比对的单调性质，它们缺乏特定的感应偏见。作为回应，我们建议用重复的架构替换变压器，并引入专门的交叉注意机制，以减少重复和跳过问题。因此，我们的体系结构可以在长样本上有效训练，并实现最先进的零镜头语音克隆，以相对于可比大小的基线。我们的实现和演示可在https：// github.com/theodorblackbird/lina-speech上找到。索引术语：语音综合，零射击自适应文本到语音，语言建模，线性注意1。简介