論文の概要: FastThaiG2P: Lightning-fast Thai Grapheme-to-phoneme Conversion for Voice Agent Pipelines
- arxiv url: http://arxiv.org/abs/2608.12814v1
- Date: Thu, 13 Aug 2026 04:46:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-14 18:29:38.398012
- Title: FastThaiG2P: Lightning-fast Thai Grapheme-to-phoneme Conversion for Voice Agent Pipelines
- Title（参考訳）: FastThaiG2P:音声エージェントパイプラインのための軽量タイ語グラフ-音素変換
- Abstract要約: FastThaiG2Pは、テキスト-音声パイプラインのためのサブミリ秒タイのグラフ-音素変換を提供する。
提案手法は, 合成発話27,242のベンチマークを用いて, 発話平均0.15ミリ秒のレイテンシを実現する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: FastThaiG2P provides sub-millisecond Thai grapheme-to-phoneme conversion for text-to-speech pipelines (International Phonetic Alphabet and Kokoro-TTS conventions) using a PyThaiNLP-tokenized, extensible dictionary and normalization rules for common Central Thai speech. The approach achieves an average latency of 0.15 ms per utterance on a benchmark of 27,242 synthetically generated utterances, of which 30\% is spent on tokenization, 12\% on normalization, and 58\% on out-of-vocabulary fallbacks (0.5\% OOV rate). To demonstrate its effectiveness, we used FastThaiG2P to phonemize Som-TTS, an open dataset containing 20 hours of grapheme-and-audio pairs, then trained an 82M-parameter StyleTTS 2 model based on a Kokoro-TTS recipe. The resulting model vocalizes intelligible Thai speech suitable for prototyping and development at 0.25 real-time factor (4x real-time) with ONNX inference on CPU.
- Abstract（参考訳）: FastThaiG2P は、PyThaiNLP を用いたテキスト音声パイプライン(International Phonetic Alphabet と Kokoro-TTS の規約)のサブミリ秒タイ語グラフ-音素変換と、一般的な中央タイ語音声に対する拡張可能な辞書および正規化規則を提供する。
この手法は、合成された27,242の発話のベンチマークで1発話平均0.15ミリ秒のレイテンシを達成し、トークン化に30 %、正規化に12 %、語彙外フォールバック(0.5 % OOV)に58 %を費やす。
提案手法の有効性を示すために,20時間のグラフとオーディオのペアを含むオープンデータセットであるSom-TTSを音素化するためにFastThaiG2Pを使用し,ココロTTSのレシピに基づく82MパラメータスタイルTTS 2モデルを訓練した。
得られたモデルは、プロトタイピングに適したインテリジェンスタイ語音声を、CPU上のONNX推論で0.25リアルタイムファクタ(4倍リアルタイム)で発声する。
関連論文リスト
- FreyaTTS Technical Report [0.0]
本稿では,Freya-TTSについて紹介する。
AudioVAE2(16kHzのエンコード、48kHzのデコード)の凍結した連続潜伏空間で動作し、モデルがテキストからラテントマッピングに集中できるようにしている。
バンドマッチングワードエラー率(WER)は8.0%、文字エラー率(CER)は3.0%で、かなり大きなオープンソースシステムより優れています。
論文 参考訳（メタデータ） (2026-07-10T15:36:30Z) - X-Voice: Enabling Everyone to Speak 30 Languages via Zero-Shot Cross-Lingual Voice Cloning [62.740127542449166]
X-Voiceは、任意の音声をクローンし、誰でも30の言語を話せる多言語ゼロショット音声クローンモデルである。
X-Voiceは国際音声アルファベット(IPA)を統一表現として420K時間多言語コーパスで訓練されている。
論文 参考訳（メタデータ） (2026-05-07T02:57:53Z) - 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) - Simultaneous Speech-to-Speech Translation Without Aligned Data [52.467808474293605]
同時音声翻訳では、ソース音声を対象言語にリアルタイムで翻訳する必要がある。
単語レベルのアライメントを完全に不要にするヒビキゼロを提案する。
Hibiki-Zeroは5つのX-英語タスクの翻訳精度、レイテンシ、音声転送、自然性において最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2026-02-11T17:41:01Z) - Improving Code-Switching Speech Recognition with TTS Data Augmentation [58.34842693152991]
本稿では,この不足に対処する効果的なデータ拡張手法として,多言語テキスト音声(TTS)モデルについて検討する。
我々は、SEAMEデータセット上の多言語CosyVoice2 TTSモデルを微調整し、中国語と英語の合成音声を生成する。
論文 参考訳（メタデータ） (2026-01-02T10:11:51Z) - Edge-Based Speech Transcription and Synthesis for Kinyarwanda and Swahili Languages [0.5669790037378093]
本稿では,エッジクラウド並列性を利用した音声の書き起こしと合成のための新しい枠組みを提案する。
Kinyarwanda と Swahili 話者のための強力な言語処理ツールの不足に対処する。
提案したカスケードエッジクラウドアーキテクチャは, STT と TTS の転写において, 優れたプラットフォームとなることが示唆された。
論文 参考訳（メタデータ） (2025-10-18T13:33:14Z) - ParsVoice: A Large-Scale Multi-Speaker Persian Speech Corpus for Text-to-Speech Synthesis [3.763275651955603]
既存のペルシア語のデータセットは、典型的には英語のデータセットよりも小さい。
ParsVoice はペルシャ語で最大の音声コーパスで、テキストから音声への応用に特化して設計された。
論文 参考訳（メタデータ） (2025-10-12T19:33:11Z) - Improving French Synthetic Speech Quality via SSML Prosody Control [17.211517793654703]
本稿では、音声言語マークアップタグをフランス語テキストに挿入し、ピッチ、発話速度、ボリューム、停止時間を制御する最初のエンドツーエンドパイプラインを提案する。
フランスの14時間ポッドキャストコーパスで評価し,F1のブレーク配置を達成し,ピッチ,レート,ボリュームの平均絶対誤差を25～40%削減する。
論文 参考訳（メタデータ） (2025-08-24T19:07:59Z) - Mega-TTS: Zero-Shot Text-to-Speech at Scale with Intrinsic Inductive
Bias [71.94109664001952]
Mega-TTSは、大規模な野生データで訓練された新しいゼロショットTSシステムである。
Mega-TTS はゼロショット TTS 音声編集や言語間 TTS タスクにおいて最先端 TTS システムを超えていることを示す。
論文 参考訳（メタデータ） (2023-06-06T08:54:49Z) - ComSL: A Composite Speech-Language Model for End-to-End Speech-to-Text
Translation [79.66359274050885]
公的な事前訓練された音声のみのモデルと言語のみのモデルからなる複合アーキテクチャ上に構築された音声言語モデルであるComSLを提案する。
提案手法は,エンドツーエンドの音声-テキスト翻訳タスクにおいて有効であることを示す。
論文 参考訳（メタデータ） (2023-05-24T07:42:15Z) - Code-Switching Text Generation and Injection in Mandarin-English ASR [57.57570417273262]
業界で広く使われているストリーミングモデルTransformer-Transducer(T-T)の性能向上のためのテキスト生成とインジェクションについて検討する。
まず、コードスイッチングテキストデータを生成し、テキスト-to-Speech(TTS)変換または暗黙的に音声とテキストの潜在空間を結び付けることによって、T-Tモデルに生成されたテキストを明示的に注入する戦略を提案する。
実際のマンダリン・イングリッシュ音声の1,800時間を含むデータセットを用いて訓練したT-Tモデルの実験結果から,生成したコードスイッチングテキストを注入する手法により,T-Tモデルの性能が著しく向上することが示された。
論文 参考訳（メタデータ） (2023-03-20T09:13:27Z)
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。