电气工程与系统科学 > 音频与语音处理
[提交于 2025年9月1日
]
标题: 混合G2P-T5:使用语音自监督学习和语言模型的多语种文本无G2P语音合成
标题: MixedG2P-T5: G2P-free Speech Synthesis for Mixed-script texts using Speech Self-Supervised Learning and Language Model
摘要: 本研究提出了一种新颖的语音合成方法,该方法可以通过使用基于深度学习的模型直接从语音生成离散标记来替代传统的音素转写(G2P)转换。 利用预训练的语音SSL模型,我们训练了一个T5编码器,以从混合脚本文本(例如,包含汉字和假名的文本)生成伪语言标签。 该方法消除了对手动语音转写的需求,降低了成本并提高了可扩展性,尤其是在大规模未转写的音频数据集上。 我们的模型在性能上与传统的基于G2P的文本到语音系统相当,并且能够合成保留自然语言和副语言特征的语音,例如口音和语调。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.