arXiv cs.AI· Adarsh Arigala, Arjun Gangwar, Srinivasan Umesh·· 3 天前AI 评分22
面向印度语言的跨语言 TTS：基准与推理时时长估计策略
Cross-Lingual TTS for Indian Languages: A Benchmark and Inference-Time Duration Estimation Strategies
AI 导读
研究者构建了覆盖英语和九种印度语言的跨语言 TTS 评测基准，并提出一种语言感知的推理时时长估计策略，无需重训练或改动架构即可将语言特定的每字符时长统计引入无对齐 TTS。在双语和多语 A-DMA 模型上的实验显示，语音自然度、可懂度和说话人相似度均有提升，同时时长失配减少。数据集与代码配方已公开。
正文 · AI 翻译
摘要：近期无需对齐的文本转语音（TTS）模型通过移除显式对齐模块并简化训练，实现了高合成质量。然而，由于不同语言间字符时长的差异，这些模型在跨语言场景中往往表现不佳，导致时长不匹配和语音质量下降。现有方法通常使用显式时长预测器来解决这一问题，从而增加了模型复杂度。由于缺乏标准化的评估基准，跨语言环境下印度语言 TTS 性能的系统性评估仍未被充分探索。在本工作中，我们构建了一个涵盖英语和九种印度语言的跨语言评估基准，并提出了一种面向无需对齐 TTS 的语言感知推理时时长估计策略，该策略纳入语言特定的每字符时长统计信息，无需重新训练或修改架构。我们进一步开发了启发式公式，基于语言相关的时长变化来细化时长估计。在双语和多语 A-DMA 模型上的实验表明，语音自然度、可懂度和说话人相似度均有所提升，同时时长不匹配现象减少。
| 评论： | 9 页，3 幅图，5 张表。已被 AACL-IJCNLP 2026 Workshop Multi-LLL 接收。数据集和代码配方可在以下网址获取：此 https URL |
| 主题： | 音频与语音处理（eess.AS）；人工智能（cs.AI）；声音（cs.SD） |
| 引用为： | arXiv:2610.14826 [eess.AS] |
| （或使用 arXiv:2610.14826v1 [eess.AS] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2610.14826 arXiv 颁发的 DOI，通过 DataCite（待注册） |
提交历史
来自：Adarsh Arigala [查看电子邮件]
[v1]
2026年10月10日星期六 11:41:56 UTC（77 KB）
来源：arXiv cs.AI · arxiv.org