論文の概要: BlueMagpie-TTS: A Token-Efficient Tokenizer, Language Model, and TTS for Taiwanese-Accent Code-Switching Speech
- arxiv url: http://arxiv.org/abs/2607.06054v1
- Date: Tue, 07 Jul 2026 09:31:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-08 21:24:51.4693
- Title: BlueMagpie-TTS: A Token-Efficient Tokenizer, Language Model, and TTS for Taiwanese-Accent Code-Switching Speech
- Title（参考訳）: BlueMagpie-TTS - 台湾語対応コードスイッチング音声のためのトーケン高能率トケナイザ, 言語モデル, TTS
- Abstract要約: テキスト音声システム(TTS)は台湾語にはあまり適応していない。
これらの問題は一つのルーツを共有している: テキスト側は台湾の文脈に適応していない。
テキストサイドをボトムアップから処理します。
- 参考スコア（独自算出の注目度）: 33.56852513195373
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Off-the-shelf TTS systems are poorly adapted to Taiwanese Mandarin. Their accent defaults to other Mandarin variants, their tokenizers over-segment common Taiwanese text, and their pronunciation degrades at code-switching boundaries where Chinese and English alternate within one utterance. These problems share one root: the text side lacks adaptation to the Taiwanese context. We address the text side from the bottom up. PangolinTokenizer, a byte-level BPE tokenizer trained on Taiwan-context data, reaches the lowest token rate (0.485 tokens/character) with the smallest vocabulary among nine tokenizers. Barbet, a billion-parameter Traditional-Chinese language model trained on PangolinTokenizer, serves as the text-semantic frontend and ranks first among comparable public models on a 14-task evaluation. BlueMagpie-TTS attaches Barbet to the pretrained acoustic stack of VoxCPM2 through a learned bridge, keeping the acoustic stack fixed. On a 1000-sentence Taiwan-localized test set, it lowers CER from 11.45% to 4.81% and WER from 14.83% to 5.36%, relative reductions of 58.0% and 63.9%. In a blind listening study on 500 of these sentences with ten listeners, 65.6% of majority votes prefer BlueMagpie-TTS.
- Abstract（参考訳）: 市販のTSシステムは台湾のマンダリンにはあまり適応していない。
彼らのアクセントは、他のマンダリン変種にデフォルトであり、そのトークン化剤は台湾の一般的なテキストを過剰に分類し、その発音は、中国語と英語が1つの発話で交互に交替するコードスイッチ境界で劣化する。
これらの問題は一つのルーツを共有している: テキスト側は台湾の文脈に適応していない。
テキストサイドをボトムアップから処理します。
台湾のコンテキストデータに基づいて訓練されたバイトレベルのBPEトークンライザであるPangolinTokenizerは、9つのトークンライザの中で最小の語彙を持つ最低トークンレート(0.485トークン/文字)に達する。
Pangolin Tokenizerでトレーニングされた10億パラメータの伝統的な中国語モデルであるBarbetは、テキストセマンティックフロントエンドとして機能し、14タスクの評価で比較可能なパブリックモデルの中で第1位である。
BlueMagpie-TTSは、学習ブリッジを介してVoxCPM2の事前訓練された音響スタックにバルベットを取り付け、アコースティックスタックを固定する。
1000文の台湾局所化テストセットでは、CERを11.45%から4.81%に下げ、WERを14.83%から5.36%に下げ、相対的に58.0%と63.9%に下げる。
10人の聴取者による500の文の盲目聴取調査では、65.6%がBlueMagpie-TTSを好んでいる。
関連論文リスト
- Building and Evaluating Fixed-Voice Thai TTS from Synthetic Speech [10.845790025318584]
低リソース設定では、TSのデプロイは通常、コストのかかる推論を伴う大きな音声閉鎖モデルと、コンパクトな固定音声システムのいずれかを選択する必要がある。
プログラム可能なデータソースとして大規模音声閉鎖モデルを用いて、短い音声参照を合成音声で訓練されたコンパクトな固定音声学習者に変換する第3の経路について検討する。
論文 参考訳（メタデータ） (2026-09-03T08:03:58Z) - Vowel Signs Are Not Letters: A Pre-tokenization Ceiling on Multilingual Tokenizer Fertility [0.0]
バグダスクリプトでは、母音は結合マークとして書かれており、このパターンは各母音記号でそれぞれの単語を分割する。
BPEはプレトーケン内でのみマージするため、これらの分割は語彙サイズやコーパス構成に関係なくトレーニングを通じて持続する。
平行コーパスから26の言語にまたがって、17のバグダのうち1つが影響を受けており、それらは1.47倍(チベット語)から9.02倍(タイ語)まで様々である。
5つの言語では、この文字クラスでのみ異なる一致するトークン化器ペアが予測フロアの2.2%以内に落ち、ネパール語では1語当たりのトークンが4.78、ネパール語では1.58である。
論文 参考訳（メタデータ） (2026-08-26T22:56:24Z) - Neural Machine Translation for Low-Resource Tangkhul--English [0.0]
タングル語(Tangkhul)は、主にインドのマニプールで話されているチベット・ビルマン語族の言語である。
本報告では,(1)ByT5-largeファインチューニングに基づく基本システムと,(2)同一コーパス上のmT5-smallファインチューニングに基づくコントラストシステム,の2つのシステムについて述べる。
我々の主要なBYT5大規模システムは、コーパスBLEUスコア39.97、chrF++58.07、BERTScore F1、COMET0.7302をホールドアウトテストセットで達成する。
論文 参考訳（メタデータ） (2026-06-24T03:54:46Z) - Tibetan-TTS:Low-Resource Tibetan Speech Synthesis with Large Model Adaptation [12.646367121453485]
本研究は,Xingchen AGI Lab が開発した大規模音声合成モデルに基づく,大規模モデルに基づくチベットTTSシステムを提案する。
実験結果から, 低資源環境下では, 安定した, 自然な, 理解可能なチベット語音声を生成できることが示唆された。
以上の結果から,大規模なモデルバックボーンとチベット語指向のテキスト表現適応と言語間適応学習を組み合わせることで,低リソースのチベット語音声合成が可能であることが示唆された。
論文 参考訳（メタデータ） (2026-05-04T11:45:39Z) - JaiTTS: A Thai Voice Cloning Model [0.0]
JaiTTS-v1.0は、タイ語中心の音声コーパスの継続訓練によって構築された、最先端のタイ語音声クローンテキスト音声合成モデルである。
モデルアーキテクチャは、トークン化不要な自動回帰TSモデルであるVoxCPMから適応されている。
われわれのモデルでは、400台中283台が商用フラッグシップ機と対等に比較され、わずか58台が失われた。
論文 参考訳（メタデータ） (2026-04-30T08:59:03Z) - CLiFT-ASR: A Cross-Lingual Fine-Tuning Framework for Low-Resource Taiwanese Hokkien Speech Recognition [12.323666705980672]
CLiFT-ASRは台湾のホッキエンにおける音声認識のための言語横断的な微調整フレームワークである。
最初は音素の太ロアノテーションから音響と音調の表現を学び、次に漢文字の語彙と構文をキャプチャする。
TAT-MOEコーパスの実験は、CLiFT-ASRが文字誤り率を24.88%減少させることを示した。
論文 参考訳（メタデータ） (2025-11-10T09:03:30Z) - SeamlessM4T: Massively Multilingual & Multimodal Machine Translation [90.71078166159295]
音声から音声への翻訳,音声からテキストへの翻訳,テキストからテキストへの翻訳,最大100言語の自動音声認識をサポートする単一モデルSeamlessM4Tを紹介する。
我々は、音声とテキストの両方に英語を翻訳できる最初の多言語システムを開発した。
FLEURSでは、SeamlessM4Tが複数のターゲット言語への翻訳の新しい標準を設定し、音声からテキストへの直接翻訳において、以前のSOTAよりも20%BLEUの改善を実現している。
論文 参考訳（メタデータ） (2023-08-22T17:44:18Z) - 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) - Few-Shot Cross-Lingual TTS Using Transferable Phoneme Embedding [55.989376102986654]
本稿では,言語間テキスト-音声間問題に対処するための移動可能な音素埋め込みフレームワークについて,数ショット設定で検討する。
本稿では,音素ベースのTSモデルと,異なる言語からの音素を学習潜在空間に投影するコードブックモジュールからなるフレームワークを提案する。
論文 参考訳（メタデータ） (2022-06-27T11:24:40Z) - Multilingual Speech Translation with Efficient Finetuning of Pretrained
Models [82.22294901727933]
最小限のLNA(LayerNorm and Attention)ファインタニングは、ゼロショットのクロスリンガルおよびクロスモーダリティ転送能力を実現することができる。
本手法は多言語多言語モデルにおいて強いゼロショット性能を示す。
論文 参考訳（メタデータ） (2020-10-24T08:15:08Z) - Learning Speaker Embedding from Text-to-Speech [59.80309164404974]
我々は,エンドツーエンドのTacotron 2 TTSと話者埋め込みネットワークを,自己指導型で共同で訓練した。
本研究は,手書き文字とASR書き起こし文字のトレーニングについて検討した。
教師なしTS埋め込みは、LibriTTSデータセットのi-vectorに関して、EERを2.06%改善した。
論文 参考訳（メタデータ） (2020-10-21T18:03:16Z)
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。