論文の概要: Vagdhenu: A Vrutta (Meter) Aware Shloka-to-Chant (TTS) System for Sanskrit
- arxiv url: http://arxiv.org/abs/2608.26146v1
- Date: Sun, 28 Jun 2026 20:29:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 05:09:55.363622
- Title: Vagdhenu: A Vrutta (Meter) Aware Shloka-to-Chant (TTS) System for Sanskrit
- Title（参考訳）: Vagdhenu:サンスクリットのためのVrutta (Meter) Aware Shloka-to-Chant (TTS)システム
- Abstract要約: ヴァグデヌ (Vagdhenu) は、韻律的な朗読を高い忠実度で唱えられたパラヤナにマッピングする音声合成システムである。
既製のフローマッチングTTSバックボーンと大規模ニューラルボコーダを併用する。
推論、推論、トレーニングコード、ウェイト、シングルスピーカーの合唱データセット、インタラクティブなデモをリリースします。
- 参考スコア（独自算出の注目度）: 9.699102957561587
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: We present Vagdhenu, a vrutta (meter) aware shloka-to-chant system for Sanskrit: a text-to-speech system that maps a metrical verse to its chanted parayana recitation at high fidelity. This is an experience report, not a new architecture. We take an off-the-shelf flow-matching TTS backbone and a large-scale neural vocoder, and add the components a faithful Sanskrit chant pipeline needs: a frontend that routes Sanskrit through Kannada orthography to avoid the Hindi-style schwa deletion that Devanagari triggers in Indic models; a frontend that obeys subtle Sanskrit phonology (visarga sandhi with its jihvamuliya and upadhmaniya allophones, the aspiration contrast of alpaprana and mahaprana, and the dental, retroflex, and palatal sibilants kept distinct); and a vrutta-aware mechanism that detects the meter and picks an exactly matched reference under a half-reference rule. We report a negative result that shaped the system: in a self-infilling flow-matching backbone, a text-side prosody conditioner is architecturally inert, because the model recovers pitch from the context mel and the embedding gets no gradient; the reference clip and a voice-steering retrain are the only working prosody levers. We also report a comparative lineage across four families (StyleTTS2, VITS2, Matcha-TTS, and the flow-matching backbone), where each earlier family hit a ceiling on conjuncts or prosody that a five-hour clone cleared at an expert MOS near 4.6. The system shipped two deployments: a 32-chapter, 5183-verse video corpus (about 17.5 hours) and an audio app covering about 18000 verses across 12 books. We release the frontend, inference and training code, weights, a single-speaker chant dataset, and an interactive demo.
- Abstract（参考訳）: 本研究では,サンスクリット語のスロカ・トゥ・チャントシステムであるVagdhenuについて述べる。
これは経験レポートであり、新しいアーキテクチャではない。
既製のフローマッチングTTSバックボーンと大規模ニューラルボコーダを併用し,サンスクリットをカナダ正書法にルートするフロントエンド,デバナガリがインディックモデルでトリガーするヒンディー様式のシュワ削除を回避するフロントエンド,微妙なサンスクリット音韻論に従うフロントエンド(ジフヴァミュリヤとアマダマニヤアロフォンによるサンスクリット音韻論,アルパプラナとマファラナの吸音コントラスト,および歯科,レトロフレキシブル,口蓋のシビラントを区別したブラッタ・ウェア機構など,サンスクリットの忠実な唱音パイプラインを付加する。
自己充足フローマッチングバックボーンにおいて,テキスト側プロソディコンディショナーは,文脈メルからピッチを回復し,埋め込みが勾配にならないため,建築的に不活性であり,参照クリップと音声ステアリングリトレインが唯一動作するプロソディコンディショナーである。
また,4つの家系(StyleTTS2, VITS2, Matcha-TTS, and the flow-matching backbone)を比較検討した。
このシステムは2つのデプロイを出荷した: 32-chapter、5183-verse video corpus (約17.5時間) と12冊の約18000の詩をカバーするオーディオアプリ。
フロントエンド、推論とトレーニングコード、ウェイト、シングルスピーカーの合唱データセット、インタラクティブなデモをリリースしています。
関連論文リスト
- Live Gurbani Tracking: A Benchmark and Reference System for Captioning Sikh Kirtan [0.0]
本稿では,Sikh Kirtanのライブキャプションのためのベンチマークと参照システムを提案する。
キルタン字幕はクローズド・ボキャブラリの問題であり、全ての表示された行は正典からの正確なワード・フォー・ワードの行でなければならない。
タスクをt,ペア (shabad_id, line_idx) あるいはnull の予測として形式化し,問題空間を2x2行列に整理する。
論文 参考訳（メタデータ） (2026-07-15T05:33:44Z) - PSP: An Interpretable Per-Dimension Accent Benchmark for Indic Text-to-Speech [0.0]
音素置換プロファイル(Phonme Substitution Profile)は、Indic TTSの音素単位のアクセントベンチマークである。
PSPはアクセントを6つの相補的次元に分解する: 反射崩壊率(RR)、吸入フィデリティ(AF)、母音長フィデリティ(ZF)、フレシェオーディオ距離(FAD)、韻律的シグネチャディペンデンス(PSD)。
論文 参考訳（メタデータ） (2026-04-28T10:28:32Z) - TharuChat: Bootstrapping Large Language Models for a Low-Resource Language via Synthetic Data and Human Validation [0.0]
トゥル語はネパールとインドのテライ帯で約170万人が話しているインド・アーリア語である。
豊かな口承の伝統にもかかわらず、トゥルは厳しいデータ不足と言語的な断片化に悩まされている。
本稿では,この排除に対処する特別指導フォローモデルであるTharu-LLaMA (3B)について述べる。
論文 参考訳（メタデータ） (2026-03-17T23:57:47Z) - DialectGen: Benchmarking and Improving Dialect Robustness in Multimodal Generation [111.94720088481614]
多モーダル生成モデルは方言テキスト入力を効果的に生成できるのか?
6つの共通英語方言にまたがる大規模ベンチマークを構築した。
マルチモーダル生成モデルのための一般的なエンコーダに基づく緩和戦略を設計する。
論文 参考訳（メタデータ） (2025-10-16T17:56:55Z) - Vedavani: A Benchmark Corpus for ASR on Vedic Sanskrit Poetry [6.415545341980497]
我々は,Rig VedaとAtharva Vedaの3,779個のラベル付きオーディオサンプルからなる,54時間のサンスクリットASRデータセットを提示する。
このデータセットは、言語を定義する正確な韻律的特徴とリズム的特徴をキャプチャする。
また、様々な最先端の多言語音声モデルにデータセットをベンチマークする。
論文 参考訳（メタデータ） (2025-05-30T18:36:54Z) - Neural Codec Language Models are Zero-Shot Text to Speech Synthesizers [92.55131711064935]
テキストから音声合成(TTS)のための言語モデリング手法を提案する。
具体的には、市販のニューラルオーディオモデルから派生した離散符号を用いて、ニューラルネットワークモデル(Vall-E)を訓練する。
Vall-Eは、コンテキスト内学習機能を導入し、高品質なパーソナライズされた音声の合成に使用できる。
論文 参考訳（メタデータ） (2023-01-05T15:37:15Z) - A unified one-shot prosody and speaker conversion system with
self-supervised discrete speech units [94.64927912924087]
既存のシステムは韻律と言語内容の相関を無視し、変換された音声の自然度を低下させる。
自己教師付き離散音声単位を言語表現として活用するカスケードモジュラーシステムを提案する。
実験により,本システムは,自然性,知性,話者伝達性,韻律伝達性において,従来の手法よりも優れていたことがわかった。
論文 参考訳（メタデータ） (2022-11-12T00:54:09Z) - Ceasing hate withMoH: Hate Speech Detection in Hindi-English
Code-Switched Language [2.9926023796813728]
本研究はヒンディー語・英語のコードスイッチング言語におけるヘイトスピーチの分析に焦点をあてる。
データ構造を含むため、Hindi の "Love" を意味する MoH または Map Only Hindi を開発した。
MoHパイプラインは言語識別で構成され、ローマ語からデヴァナガリ・ヒンディー語への翻訳は、ローマ語のヒンディー語の知識ベースを用いて行われる。
論文 参考訳（メタデータ） (2021-10-18T15:24:32Z) - GigaSpeech: An Evolving, Multi-domain ASR Corpus with 10,000 Hours of
Transcribed Audio [88.20960848885575]
GigaSpeechは英語の多分野音声認識コーパスで、教師あり訓練に適した高品質なラベル付きオーディオが1万時間ある。
約4万時間の音声が、まずオーディオブック、ポッドキャスト、YouTubeから収集され、読み書きと自発的な話し方の両方をカバーする。
システムトレーニングのために、GigaSpeechは10h, 250h, 1000h, 2500h, 10000hの5つのサブセットを提供する。
論文 参考訳（メタデータ） (2021-06-13T04:09:16Z) - Modeling Prosodic Phrasing with Multi-Task Learning in Tacotron-based
TTS [74.11899135025503]
本稿では,Tacotronに基づく音声合成フレームワークを拡張し,韻律句のブレークを明示的にモデル化する。
提案手法は中国語とモンゴル語の両方の音質を一貫して改善することを示す。
論文 参考訳（メタデータ） (2020-08-11T07:57:29Z) - Unsupervised Cross-Modal Audio Representation Learning from Unstructured
Multilingual Text [69.55642178336953]
教師なし音声表現学習へのアプローチを提案する。
3重項ニューラルネットワークアーキテクチャに基づいて、意味論的に関連付けられたクロスモーダル情報を用いて、音声トラック関連性を推定する。
我々のアプローチは、様々なアノテーションスタイルと、このコレクションの異なる言語に不変であることを示す。
論文 参考訳（メタデータ） (2020-03-27T07:37:15Z)
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。