論文の概要: Antalia-2 Mini: A 7.6-million-parameter Turkish text-to-speech model trained entirely on synthetic speech
- arxiv url: http://arxiv.org/abs/2611.13811v1
- Date: Tue, 10 Nov 2026 09:41:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-12 04:24:43.737219
- Title: Antalia-2 Mini: A 7.6-million-parameter Turkish text-to-speech model trained entirely on synthetic speech
- Title(参考訳): Antalia-2 Mini: 合成音声で訓練されたトルコの7.6万パラメーターテキスト音声モデル
- Abstract要約: Antalia-2 Miniは7,620,931のパラメータを持つトルコの単声テキスト音声モデルである。
文字を読み、Apple M5ラップトップCPU(2スレッド)の41倍の速度で48kHzのオーディオを生成する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Antalia-2 Mini is a single-voice Turkish text-to-speech model with 7,620,931 parameters. It reads characters and produces 48 kHz audio at 41 times real time on an Apple M5 laptop CPU (2 threads). Its training audio came only from VoxCPM2 (the teacher), about 300 times larger, cloning one synthetic clip; automatic checks kept about 1,790 h. Fine-tuning the vocoder on the acoustic model's own mel spectrograms cut the word error rate (WER) of Whisper's transcripts from a mean of 3.89% to 1.75% at adjacent pre-release checkpoints. The teacher corrupts the start of a clip when the first word begins with ö, the student learned this, and a spoken prefix we cut from the output hides it. On the 495-sentence Freya-TR-Eval benchmark, where we tuned settings, version 1.0.1 has WER 1.09% and character error rate 0.22% on our public harness. A paired bootstrap cannot distinguish these from EMA Lightning, an 8.6M Turkish model, which scores higher on full-band UTMOS, an English-trained quality proxy. No human listening test exists. Weights, inference code and the benchmark harness are public under Apache-2.0; training code and data are not.
- Abstract(参考訳): Antalia-2 Miniは7,620,931のパラメータを持つトルコの単声テキスト音声モデルである。
文字を読み、Apple M5ラップトップCPU(2スレッド)の41倍の速度で48kHzのオーディオを生成する。
トレーニング用オーディオはVoxCPM2(教師)の約300倍の大きさで、合成クリップ1本をクローンし、自動チェックで約1,790時間保たれた。
音響モデルのメルスペクトログラムを微調整することで、Whisperの文字起こしの単語誤り率(WER)を、隣接するプレリリースチェックポイントで平均3.89%から1.75%に削減した。
教師は、最初の単語がöから始まるとクリップの開始を台無しにし、学生はそれを学び、アウトプットからカットした音声の接頭辞がそれを隠している。
設定を調整した495文のFreya-TR-Evalベンチマークでは、バージョン1.0.1はWER 1.09%、文字エラー率は0.22%である。
ペアブートストラップは8.6MトルコのモデルであるEMA Lightningと区別できない。
人間の聴取試験は存在しない。
重み、推論コード、ベンチマークハーネスはApache-2.0の下で公開されている。
関連論文リスト
- Alania-2: Turkish text-to-speech with instant and fine-tuned voice cloning [0.0]
アラニア-2 (Alania-2) はトルコの音声合成システムである。
我々は、トルコ語18,195時間のスピーチをゼロからトレーニングし、その90%は、より大きな教師モデルによって生成され、自動的にフィルタリングされる合成音声である。
Freya-TR-Evalでは、自動音声認識による495のトルコ語文の公開ベンチマークを行い、Alania-2は従来の5.99%に比べて1.44%の単語誤り率に達した。
論文 参考訳(メタデータ) (2026-11-10T10:04:47Z) - Improving Large Audio-Language Model Embedding Baselines for Instruction-Aware Speech Retrieval [58.508772021289104]
IRIS-Embedは大規模なオーディオ言語モデルを埋め込みモデルに適応させる。
実データと合成データから約900Kのトレーニングサンプルを構築した。
命令対応音声検索ベンチマークであるINSPIREでは、IRIS-Embedは対応するLALMベースラインを一貫して上回っている。
論文 参考訳(メタデータ) (2026-11-06T08:00:19Z) - ufakzeka-kulak: Building and Evaluating a 31.6M-Parameter Turkish Speech Recognizer from Scratch [0.0]
ufakzeka-kulakは31.6Mパラメータのオープンなトルコ語音声テキストモデルである。
文字はトルコ語で句読まれ、数字は言葉で書かれている。
論文 参考訳(メタデータ) (2026-11-02T18:42:32Z) - Pronunciation-Supervised Text-to-Speech for Irish (Gaeilge) [0.8655507799205296]
我々はQwen3-TTSを12.8時間のクラウドソーシング・コモン・ボイス・スピーチを用いてアイルランド語に適応させる。
ウィキオンリーの発音記録を辞書と音素評論家にまとめる。
同じ批評家は、なぜこの声が少数派の方言にまだ当てはまらないのかを説明している。
論文 参考訳(メタデータ) (2026-10-28T07:21:45Z) - Pronouncing Hard Words: Phoneme Adaptation of a Pretrained Conversational Text to Speech Model [50.335253821316805]
プレ/ミドルトレーニングなしで、事前訓練された会話型TSモデルに音素制御性を再現する。
臨床薬の発音評価では, 厳密なジェミニ・ジャッジドの正しさを54.6%から90.7%に引き上げた。
訓練段階が薬名を見ないため、評価全体がドメイン外であるため、学習した発音を記憶するよりも、学習した発音を反映する。
論文 参考訳(メタデータ) (2026-10-16T19:41:23Z) - Paradee: Distilling Kokoro-82M into an 8M-Parameter Single-Voice Text-to-Speech Model [0.0]
54声のオープンテキスト音声モデルKokoro-82MをParadeeに蒸留する。
Paradeeは8.07Mパラメータモデルであり、そのうちの1つを話す。
パラメータは10倍も少なく、計算量は15倍も少ない。
論文 参考訳(メタデータ) (2026-10-05T17:56:07Z) - VoiceSHIELD-Small: Real-Time Malicious Speech Detection and Transcription [2.0225826789157404]
本稿では,リアルタイムに動作する軽量モデルであるVoiceSHIELD-Smallを紹介する。
音声を転写し、それが安全か有害かを検出する。
OpenAIのWhisper小エンコーダ上に構築されたVoiceSHIELDには,平均プール層と単純な分類ヘッドが追加されている。
論文 参考訳(メタデータ) (2026-03-08T16:23:42Z) - Distilling an End-to-End Voice Assistant Without Instruction Training Data [53.524071162124464]
Distilled Voice Assistant (DiVA)は、質問応答、分類、翻訳を一般化する。
Qwen 2 Audioのような最先端のモデルと比較すると,DiVAはユーザの好みによく適合し,72%の勝利率を達成した。
論文 参考訳(メタデータ) (2024-10-03T17:04:48Z) - TransFace: Unit-Based Audio-Visual Speech Synthesizer for Talking Head
Translation [54.155138561698514]
音声から音声への直接翻訳は、自己教師付き学習から得られる離散単位を導入することにより、高品質な結果が得られる。
既存の方法は常にカスケードに依存し、音声とテキストの両方を通して合成し、遅延やカスケードエラーを引き起こす。
本稿では,音声-視覚音声を他の言語で直接音声-視覚音声に翻訳できる,頭部翻訳モデルである textbfTransFace を提案する。
論文 参考訳(メタデータ) (2023-12-23T08:45:57Z) - Unsupervised Speech Recognition [55.864459085947345]
wav2vec-Uは、ラベル付きデータなしで音声認識モデルを訓練する方法である。
我々は、自己教師付き音声表現を活用して、ラベルなし音声をセグメント化し、これらの表現から相手の訓練を通して音素へのマッピングを学習する。
より大きな英語のLibrispeechベンチマークでは、wav2vec-Uは、わずか2年前の960時間のラベル付きデータに基づいてトレーニングされた最も優れたシステムに匹敵する、他のテストで5.9の単語エラー率を達成した。
論文 参考訳(メタデータ) (2021-05-24T04:10:47Z) - AdaSpeech 2: Adaptive Text to Speech with Untranscribed Data [115.38309338462588]
AdaSpeech 2 は、未転写音声データのみを適応に利用する適応型 TTS システムである。
具体的には,よく訓練されたttsモデルにmel-spectrogramエンコーダを導入し,音声再構成を行う。
適応では,ttsデコーダのみを微調整し,未書き起こし音声データを用いて音声再構成を行う。
論文 参考訳(メタデータ) (2021-04-20T01:53:30Z)
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。