論文の概要: Cross-Lingual TTS for Indian Languages: A Benchmark and Inference-Time Duration Estimation Strategies

• arxiv url: http://arxiv.org/abs/2610.14826v1
• Date: Sat, 10 Oct 2026 11:41:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.122978
• Title: Cross-Lingual TTS for Indian Languages: A Benchmark and Inference-Time Duration Estimation Strategies
• Title（参考訳）: インド言語のための言語間TS:ベンチマークと予測時間推定方略
• Abstract要約: テキストから音声へのモデルは、言語によって文字の長さが異なるため、言語横断のシナリオでしばしば苦労する。 本研究では,アライメントフリーTSのための言語対応推論時間推定手法を提案する。 バイリンガルおよび多言語ADMAモデルによる実験では、音声の自然性、知性、話者類似性が改善された。
• 参考スコア（独自算出の注目度）: 11.146272143699221
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent alignment-free Text-to-Speech (TTS) models achieve high synthesis quality by removing explicit alignment modules and simplifying training. However, they often struggle in cross-lingual scenarios due to differences in character durations across languages, leading to duration mismatch and degraded speech quality. Existing approaches typically address this issue using explicit duration predictors, increasing model complexity. Systematic evaluation of TTS performance for Indian languages in cross-lingual settings remains under-explored due to the lack of standardized evaluation benchmarks. In this work, we construct a cross-lingual evaluation benchmark covering English and nine Indian languages and propose a language-aware inference-time duration estimation strategy for alignment-free TTS that incorporates language-specific duration-per character statistics without retraining or architectural modifications. We further develop heuristic formulations that refine duration estimation based on language-dependent duration variations. Experiments on bilingual and multilingual A-DMA models demonstrate improved speech naturalness, intelligibility, and speaker similarity while reducing duration mismatch.
• Abstract（参考訳）: 最近のアライメントフリーテキスト音声(TTS)モデルは、明示的なアライメントモジュールを除去し、トレーニングを簡素化することで、高い合成品質を実現する。 しかし、言語間での文字長の相違により、しばしば言語間シナリオで苦労し、時間的ミスマッチや音声品質の劣化につながる。 既存のアプローチは通常、明示的な期間予測を使ってこの問題に対処し、モデルの複雑さを増大させる。 標準評価ベンチマークの欠如により,言語間設定におけるTTS性能の体系的評価は未検討のままである。 本研究では、英語と9つのインド語を対象とする言語間評価ベンチマークを構築し、言語固有の文字数毎の統計情報を含むアライメントフリーTTSの言語対応推論時間推定戦略を提案する。 さらに,言語に依存した時間変化に基づいて,時間推定を洗練させるヒューリスティックな定式化を開発した。 バイリンガルおよび多言語A-DMAモデルによる実験では、音声の自然性、知性、話者の類似性が向上し、時間的ミスマッチが低減された。

関連論文リスト

• On the Limitations of Cross-Lingual Consistency in Multilingual Text-to-image Generation [79.18001266925245]
  LingT2Iは、33Kプロンプトを持つ10の広く使われている言語をカバーするベンチマークである。 我々は、言語不平等と言語依存のトレードオフを明らかにする包括的な言語間分析を行う。
  論文  参考訳（メタデータ） (2026-08-11T14:49:23Z)
• L-Proto: Language-Aware Episodic Prototypical Training for Multilingual Speaker Verification [49.128847336227636]
  本稿では,L-Protoを提案する。 TidyVoice Challengeベンチマークの実験では、従来の微調整およびランダムなエピソードサンプリングよりも一貫した性能向上が示されている。
  論文  参考訳（メタデータ） (2026-06-16T01:57:41Z)
• Quantifying Cross-Lingual Transfer in Paralinguistic Speech Tasks [4.911970211082446]
  言語間の言語間相互作用を定量化するための体系的手法であるCLTM(Cross-Lingual Transfer Matrix)を提案する。 我々は,多言語HuBERTエンコーダを用いて,ジェンダー識別と話者検証という2つのパラ言語課題にCLTMを適用した。 この結果から,タスクや言語間の異なる伝達パターンが明らかとなり,言語に依存した系統的な影響が反映された。
  論文  参考訳（メタデータ） (2026-03-09T11:02:57Z)
• A Comprehensive Evaluation of Multilingual Chain-of-Thought Reasoning: Performance, Consistency, and Faithfulness Across Languages [48.68444770923683]
  マルチリンガル・チェーン・オブ・ソート(CoT)推論の最初の包括的研究について述べる。 LRMがターゲット言語ですぐに考えることができる場合、言語コンプライアンス、解答精度、解答一貫性を計測する。 思考の痕跡の質と有効性は、素早い言語によって大きく異なることがわかった。
  論文  参考訳（メタデータ） (2025-10-10T17:06:50Z)
• Technical report: Impact of Duration Prediction on Speaker-specific TTS for Indian Languages [16.782842482372427]
  本研究では,非自己回帰型連続正規化フロー(CNF)に基づく音声モデルを,公開言語データを用いて学習する。 ゼロショット・話者固有生成のための複数の継続時間予測戦略を評価する。
  論文  参考訳（メタデータ） (2025-07-22T09:38:30Z)
• An Initial Investigation of Language Adaptation for TTS Systems under Low-resource Scenarios [76.11409260727459]
  本稿では,最近のSSLベースの多言語TSシステムであるZMM-TTSの言語適応性について検討する。 本研究では,事前学習言語と対象言語との音声学的な類似性が,対象言語の適応性能に影響を及ぼすことを示す。
  論文  参考訳（メタデータ） (2024-06-13T08:16:52Z)
• Is Prompt-Based Finetuning Always Better than Vanilla Finetuning? Insights from Cross-Lingual Language Understanding [0.30586855806896046]
  本稿では, Prompt-based Finetuning の言語間機能を調べるために, ProFiT パイプラインを提案する。 本研究は,言語間言語理解におけるアクシデントベースファインタニングの有効性と汎用性を明らかにするものである。
  論文  参考訳（メタデータ） (2023-07-15T20:33:33Z)
• Towards Lifelong Learning of Multilingual Text-To-Speech Synthesis [87.75833205560406]
  本研究は,多言語テキスト音声(TTS)システムを学習するための生涯学習手法を提案する。 すべての言語からプールされたデータを必要としないため、ストレージと計算の負担が軽減される。
  論文  参考訳（メタデータ） (2021-10-09T07:00:38Z)
• Cross-lingual Spoken Language Understanding with Regularized Representation Alignment [71.53159402053392]
  外部リソースを使わずに言語間で単語レベルの表現と文レベルの表現を整列する正規化手法を提案する。 言語間言語理解タスクの実験により、我々のモデルは、数ショットとゼロショットの両方のシナリオにおいて、最先端の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2020-09-30T08:56:53Z)

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。