arXiv cs.CL· Rui Hu, Xiaolong Lin, Zhenpeng Zhan·· 10 小时前AI 评分20
Ruby-OPD：通过同策略蒸馏提升流匹配 TTS 的发音可控性与准确率
Ruby-OPD: Enhancing Pronunciation Controllability and Accuracy for Flow-Matching Text-to-Speech via On-Policy Distillation
AI 导读
研究提出两阶段流匹配 TTS 框架 Ruby-OPD，先用带拼写扰动的 Ruby 文本表示同时保留表层字形与目标发音，再在大规模纯文本语料上做同策略蒸馏（OPD），无需配对语音即可提升原始文本的发音准确率。
正文 · AI 翻译
摘要：在日语文本转语音（TTS）中，同时实现高发音准确度和细粒度可控性仍是一项核心挑战，因为日语是一种不分词的语言，混合了表意的汉字和表音的假名，并存在大量多音现象。传统的级联系统通过前端将文本转换为音素序列，确保了发音控制，但丢弃了表层正字法中的词汇语义和韵律线索。相反，近期的零样本 TTS 模型直接消费原始正字法文本以提升自然度，却遭受多音字错误且缺乏显式的发音控制。为弥合这一差距，我们提出了一种用于流匹配 TTS 的两阶段框架。首先，我们研究了带有正字法扰动的注音文本表示，以联合保留表层形式和目标发音，从而实现可靠控制。其次，我们在大规模纯文本语料上引入同策略蒸馏（OPD），以在无配对语音的情况下提升原始正字法文本的发音准确度。在 Joyo-Kanji-Yomi 基准上，我们的模型在原始文本下达到 97.13% 的准确率、2.02% 的目标 PER、0.70% 的句子 PER 和 4.21% 的句子 CER，同时保持强大的可控性。
| 评论： | 5 页，3 张表，工作正在进行中 |
| 主题： | 计算与语言（cs.CL） |
| 引用为： | arXiv:2611.06403 [cs.CL] |
| （或 arXiv:2611.06403v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.06403 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Rui Hu [查看邮箱]
[v1]
2026 年 11 月 4 日星期三 12:05:34 UTC（35 KB）
来源：arXiv cs.CL · arxiv.org