Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > eess > arXiv:2509.01391

帮助 | 高级搜索

电气工程与系统科学 > 音频与语音处理

arXiv:2509.01391 (eess)
[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

Authors:Joonyong Park, Daisuke Saito, Nobuaki Minematsu
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。
摘要: This study presents a novel approach to voice synthesis that can substitute the traditional grapheme-to-phoneme (G2P) conversion by using a deep learning-based model that generates discrete tokens directly from speech. Utilizing a pre-trained voice SSL model, we train a T5 encoder to produce pseudo-language labels from mixed-script texts (e.g., containing Kanji and Kana). This method eliminates the need for manual phonetic transcription, reducing costs and enhancing scalability, especially for large non-transcribed audio datasets. Our model matches the performance of conventional G2P-based text-to-speech systems and is capable of synthesizing speech that retains natural linguistic and paralinguistic features, such as accents and intonations.
评论: 在第17届亚太信号与信息处理协会年度峰会和会议(APSIPA ASC 2025)论文集中
主题: 音频与语音处理 (eess.AS) ; 计算与语言 (cs.CL)
引用方式: arXiv:2509.01391 [eess.AS]
  (或者 arXiv:2509.01391v1 [eess.AS] 对于此版本)
  https://doi.org/10.48550/arXiv.2509.01391
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Joonyong Park [查看电子邮件]
[v1] 星期一, 2025 年 9 月 1 日 11:36:37 UTC (439 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
eess
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-09
切换浏览方式为:
cs
cs.CL
eess.AS

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

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

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

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.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号