論文の概要: Building and Evaluating Fixed-Voice Thai TTS from Synthetic Speech
- arxiv url: http://arxiv.org/abs/2609.03502v1
- Date: Thu, 03 Sep 2026 08:03:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-04 18:28:38.977628
- Title: Building and Evaluating Fixed-Voice Thai TTS from Synthetic Speech
- Title（参考訳）: 合成音声からの固定音声タイTTSの構築と評価
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 10.845790025318584
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In low-resource settings, deploying TTS typically requires choosing between a large voice-cloning model with costly inference or a compact fixed-voice system that requires a speaker-specific corpus. We study a third route: using a large voice-cloning model as a programmable data source to turn a short voice reference (e.g., 15 seconds) into a compact fixed-voice student trained entirely on synthetic speech. This setting makes pipeline design consequential: teacher errors become training targets, while filtering failed generations can reduce coverage of difficult texts. Thai further introduces challenges from ambiguous word boundaries, lexical tone, names and loanwords, numeric verbalization, and Thai-English code-switching. We study how text preparation, synthetic generation, quality filtering, rejection sampling, and frontend choices affect the resulting student, and where teacher limitations remain. We evaluate CER, Challenge-Set Keyword Accuracy, Prosody Pause Accuracy, speaker similarity, and speaking rate. The resulting 82M-parameter model, Wayu-Paxa-TTS-Edge, enables on-device Thai TTS without reference audio. It achieves 68.2% Challenge-Set Keyword Accuracy (85.5% of Gemini 3.1) and 91.4% pause precision, outperforming its OmniVoice teacher (89.9%) and reaching 94.8% of Gemini 3.1. It also achieves the lowest pause-placement error and intra-word pause rates among the three systems, and 3.7% and 1.1% CER on Thai and English, respectively. We open-source the model and evaluation framework for Thai TTS development.
- Abstract（参考訳）: 低リソース環境では、TSをデプロイするには、コストのかかる推論を伴う大きな音声閉鎖モデルか、スピーカー固有のコーパスを必要とする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。
本研究では,大規模な音声閉鎖モデルをプログラム可能なデータソースとして使用し,短い音声参照(例えば15秒)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。
教師のエラーがトレーニング対象になる一方で、失敗した世代をフィルタリングすることで、難しいテキストのカバレッジを減らすことができる。
タイ語はさらに曖昧な単語境界、語彙音、名前と借用語、数字の動詞化、タイ英語のコードスイッチングといった課題も導入している。
テキスト作成, 合成生成, 品質フィルタリング, 拒絶サンプリング, フロントエンド選択が学生にどのような影響を及ぼすか, 教師の限界が残されているかについて検討した。
CER,チャレンジセットキーワード精度,韻律ポーズ精度,話者類似度,発話速度を評価した。
82MパラメータモデルであるWayu-Paxa-TTS-Edgeは、オンデバイスタイTTSをリファレンスオーディオなしで実現している。
68.2%のチャレンジセットキーワード精度(ジェミニ3.1の85.5%)と91.4%の停止精度を達成し、OmniVoiceの教師(89.9%)を上回り、ジェミニ3.1の94.8%に達した。
また、タイ語と英語でそれぞれ3.7%と1.1%のCERと3つのシステムで最低の停止位置誤差と単語内停止率を達成している。
タイ TTS 開発のためのモデルおよび評価フレームワークをオープンソースとして公開する。
関連論文リスト
- Making Large Language Models Speak Tulu: Structured Prompting for an Extremely Low-Resource Language [1.0742675209112622]
制御プロンプト下では,構造化プロンプトだけで基本的な会話能力を引き出すことができるかを検討する。
我々は、明示的な文法文書、関連する言語からの高確率トークンの抑制のための負の制約、ロマン化標準化、そして自己再生による品質制御された合成データ生成を組み合わせる。
本手法は,85%の精度で語彙汚染を80%から5%に低減する。
論文 参考訳（メタデータ） (2026-02-17T06:20:09Z) - 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) - PRESENT: Zero-Shot Text-to-Prosody Control [41.62954081589881]
PreSENT (Prosody Editing without Style Embeddings or New Training) は、FastSpeech2ベースのモデルにおいて、推論プロセスを直接修正することで明示的な韻律予測を利用する。
我々は、それぞれドイツ語、ハンガリー語、スペイン語の文字誤り率(CER)を12.8%、18.7%、および5.9%とし、3つの言語で前回のCERを2倍以上上回った。
論文 参考訳（メタデータ） (2024-08-13T11:39:07Z) - Controllable Emphasis with zero data for text-to-speech [57.12383531339368]
強調音声を簡易かつ効果的に処理する方法は、強調単語の予測持続時間を増加させることである。
これは自然度を7.3%向上させるスペクトログラム修正手法よりもはるかに優れていることを示し、基準女性のen-US音声に対して、文章中の強調された単語の正しさを40%精度で識別する。
論文 参考訳（メタデータ） (2023-07-13T21:06:23Z) - 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) - 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) - Transfer Learning Framework for Low-Resource Text-to-Speech using a
Large-Scale Unlabeled Speech Corpus [10.158584616360669]
テキスト音声(TTS)モデルのトレーニングには,大規模テキストラベル付き音声コーパスが必要となる。
本稿では、事前学習に大量のラベルなし音声データセットを利用するTSの転送学習フレームワークを提案する。
論文 参考訳（メタデータ） (2022-03-29T11:26:56Z) - Semi-supervised transfer learning for language expansion of end-to-end
speech recognition models to low-resource languages [19.44975351652865]
低音源言語における音声認識精度向上のための3段階学習手法を提案する。
我々は、翻訳学習、TS拡張、SSLを用いて、よく訓練された英語モデル、ラベルなしテキストコーパス、ラベルなしオーディオコーパスを利用する。
第1パスにおけるモノトニック・チャンクワイド・アテンション(MoA)を用いた2パス音声認識システムでは,ベースラインに対するWERの42%削減を実現している。
論文 参考訳（メタデータ） (2021-11-19T05:09:16Z) - 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) - LRSpeech: Extremely Low-Resource Speech Synthesis and Recognition [148.43282526983637]
データコストの低い言語のためのTLSおよびASRシステムであるLSpeechを開発した。
実験言語(英語)と真の低リソース言語(リトアニア語)で実験を行い,LRSpeechの有効性を検証する。
現在、より稀な言語でTSをサポートするために、商用のクラウド音声サービスにLSpeechをデプロイしています。
論文 参考訳（メタデータ） (2020-08-09T08:16:33Z)
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。