論文の概要: Kinship in Speech: Leveraging Linguistic Relatedness for Zero-Shot TTS in Indian Languages

• arxiv url: http://arxiv.org/abs/2506.03884v1
• Date: Wed, 04 Jun 2025 12:22:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-05 21:20:14.318667
• Title: Kinship in Speech: Leveraging Linguistic Relatedness for Zero-Shot TTS in Indian Languages
• Title（参考訳）: インド語におけるゼロショットTTSの言語的関連性を活用した音声の親和性
• Authors: Utkarsh Pathak, Chandra Sai Krishna Gunda, Anusha Prakash, Keshav Agarwal, Hema A. Murthy,
• Abstract要約: インドには1369の言語があり、22の公用語が13のスクリプトを使用している。 我々の研究はゼロショット合成に焦点を当てており、特にスクリプトとフォノタクティクスが異なる家系の言語を対象としている。 サンスクリット語、マハーラーシュトリアン語、カナラ・コンカニ語、マイティリ語、クルフ語のために、知的で自然なスピーチが作られた。
• 参考スコア（独自算出の注目度）: 6.74683227658822
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Text-to-speech (TTS) systems typically require high-quality studio data and accurate transcriptions for training. India has 1369 languages, with 22 official using 13 scripts. Training a TTS system for all these languages, most of which have no digital resources, seems a Herculean task. Our work focuses on zero-shot synthesis, particularly for languages whose scripts and phonotactics come from different families. The novelty of our work is in the augmentation of a shared phone representation and modifying the text parsing rules to match the phonotactics of the target language, thus reducing the synthesiser overhead and enabling rapid adaptation. Intelligible and natural speech was generated for Sanskrit, Maharashtrian and Canara Konkani, Maithili and Kurukh by leveraging linguistic connections across languages with suitable synthesisers. Evaluations confirm the effectiveness of this approach, highlighting its potential to expand speech technology access for under-represented languages.
• Abstract（参考訳）: テキスト音声(TTS)システムは通常、高品質なスタジオデータとトレーニングのための正確な書き起こしを必要とする。 インドには1369の言語があり、22の公用語が13のスクリプトを使用している。 デジタルリソースを持たないこれらの言語すべてを対象としたTSシステムのトレーニングは、Herculeanタスクのように見える。 我々の研究はゼロショット合成に焦点を当てており、特にスクリプトとフォノタクティクスが異なる家系の言語を対象としている。 我々の研究の新規性は、共有電話表現の強化と、対象言語の音韻律に一致するようにテキスト解析規則を変更し、合成器のオーバーヘッドを減らし、迅速な適応を可能にすることである。 サンスクリット語、マハーラーシュトリアン語、カナラ・コンカニ語、マイティリ語、クルフ語に対して、適切な合成子を持つ言語間の言語的つながりを活用することによって、知的で自然な言語が生み出された。 評価はこのアプローチの有効性を確認し、表現不足言語に対する音声技術アクセスを拡大する可能性を強調している。

関連論文リスト

• RASMALAI: Resources for Adaptive Speech Modeling in Indian Languages with Accents and Intonations [15.198945496921914]
  本稿では,リッチテキスト記述を伴う大規模音声データセットであるRASMALAIを紹介する。 IndicParlerTTSは,インド語に対する初のオープンソースのテキスト記述誘導型TTSである。
  論文  参考訳（メタデータ） (2025-05-24T09:16:14Z)
• Everyday Speech in the Indian Subcontinent [0.0]
  インドには1369の言語があり、22が公式である。これらの言語を表現するために約13の異なるスクリプトが使用されている。 共通ラベルセット(Common Label Set)は、多言語合成のためのEnd-to-Endフレームワークで必要とされる大きな語彙単位の問題に対処するために音声学に基づいて開発された。
  論文  参考訳（メタデータ） (2024-10-14T13:48:36Z)
• CoSTA: Code-Switched Speech Translation using Aligned Speech-Text Interleaving [61.73180469072787]
  インド語から英語のテキストへのコード変更音声の音声翻訳(ST)の問題に焦点をあてる。 本稿では、事前訓練された自動音声認識(ASR)と機械翻訳(MT)モジュールを足場として、新しいエンドツーエンドモデルアーキテクチャCOSTAを提案する。 COSTAは、多くの競合するカスケードおよびエンドツーエンドのマルチモーダルベースラインを3.5BLEUポイントまで上回っている。
  論文  参考訳（メタデータ） (2024-06-16T16:10:51Z)
• Textless Unit-to-Unit training for Many-to-Many Multilingual Speech-to-Speech Translation [65.13824257448564]
  本稿では,多言語多言語音声音声合成のためのテキストレス学習手法を提案する。 音声単位を擬似テキストとして扱うことにより、音声の言語内容に焦点を合わせることができる。 提案するUTUTモデルは,音声音声合成(S2ST)だけでなく,多言語音声合成(T2S)やテキスト音声合成(T2ST)にも有効であることを示す。
  論文  参考訳（メタデータ） (2023-08-03T15:47:04Z)
• Learning to Speak from Text: Zero-Shot Multilingual Text-to-Speech with Unsupervised Text Pretraining [65.30528567491984]
  本稿では,対象言語に対するテキストのみのデータを用いたゼロショット多言語TS法を提案する。 テキストのみのデータを使用することで、低リソース言語向けのTSシステムの開発が可能になる。 評価の結果,文字誤り率が12%未満のゼロショットTSは,見当たらない言語では高い知能性を示した。
  論文  参考訳（メタデータ） (2023-01-30T00:53:50Z)
• ERNIE-SAT: Speech and Text Joint Pretraining for Cross-Lingual Multi-Speaker Text-to-Speech [58.93395189153713]
  言語間複数話者音声合成タスクの事前学習法を拡張した。 本稿では,スペクトルと音素をランダムにマスキングする,音声・テキスト共同事前学習フレームワークを提案する。 本モデルは,話者埋め込み型マルチスピーカTS法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2022-11-07T13:35:16Z)
• Virtuoso: Massive Multilingual Speech-Text Joint Semi-Supervised Learning for Text-To-Speech [37.942466944970704]
  本稿では,テキスト音声合成(TTS)モデルのための多言語共同学習フレームワークであるVirtuosoを提案する。 様々な音声およびテキストデータからTSモデルをトレーニングするために、教師なし(TTSおよびASRデータ)と教師なし(非教師なし)のデータセットを扱うように、異なるトレーニングスキームが設計されている。 実験により、Virtuosoで訓練された多言語TSモデルは、見かけの言語におけるベースラインモデルよりも、自然性や知性に優れることが示された。
  論文  参考訳（メタデータ） (2022-10-27T14:09:48Z)
• That Sounds Familiar: an Analysis of Phonetic Representations Transfer Across Languages [72.9927937955371]
  我々は、他言語に存在するリソースを用いて、多言語自動音声認識モデルを訓練する。 我々は,多言語設定における全言語間での大幅な改善と,多言語設定におけるスターク劣化を観察した。 分析の結果、ひとつの言語に固有の電話でさえ、他の言語からのトレーニングデータを追加することで大きなメリットがあることがわかった。
  論文  参考訳（メタデータ） (2020-05-16T22:28:09Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。