arXiv cs.AI· Parshav Singla, Agnik Banerjee, Aaditya Arora, Shruti Aggarwal, Anil Kumar Verma, Vikram C M, Raj Prakash Gohil, Gopal Kumar Agarwal·· 2 天前AI 评分20
PACC：将朗读语音转换为自然对话语音
Bridging the Gap: Converting Read Text to Conversational Dialogue
AI 导读
研究提出 PACC（Prosodic Adjustment with Conversational Context）方法，通过深度神经网络调整语调、重音和节奏等韵律特征，并采用 HiFi-GAN 进行语音合成，将朗读语音转换为自然对话语音。实验显示该方法在自然度和模型准确率上均有提升，并在语音转换任务和 MOS 评测中建立新基准，可扩展至其他语音转换应用。
正文 · AI 翻译
摘要：在语音处理领域的最新进展中，将朗读语音转换为对话语音已引起广泛关注。该领域的主要挑战在于保持自然度和可懂度，同时为实时应用最小化计算开销。传统朗读语音往往缺乏自然对话互动所必需的细微韵律变化，这给虚拟助手、客户服务和语言学习工具等应用带来了挑战。本文提出了一种新方法——基于对话语境的韵律调整（PACC），旨在将朗读语音转换为各种现代应用中使用的自然对话语音。PACC 利用先进的深度神经网络来分析和修改语调、重音和节奏等韵律特征。与传统方法不同，我们的方法使用高保真生成对抗网络（HiFi-GAN）进行语音合成。我们的实验结果表明，语音转换取得了显著改进，增强了自然度，并通过对语音数据集的额外训练实现了更好的模型准确率。本研究为语音转换任务和用于测试模型准确率的平均意见得分（MOS）评估建立了新的基准，并且我们表明我们的方法可以成功扩展到其他语音转换应用。
| 评论： | 11 页，4 张图。发表于 ICICC 2025，Springer Lecture Notes in Networks and Systems |
| 主题： | 计算与语言（cs.CL）；人工智能（cs.AI）；机器学习（cs.LG）；声音（cs.SD）；音频与语音处理（eess.AS） |
| 引用为： | arXiv:2605.18001 [cs.CL] |
| （或 arXiv:2605.18001v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2605.18001 arXiv 颁发的 DOI，通过 DataCite |
|
| 期刊 参考： | Innovative Computing and Communications (ICICC 2025), Lecture Notes in Networks and Systems, Springer Nature, 2025, pp. 543-556 |
| 相关 DOI： | https://doi.org/10.1007/978-981-96-6681-2_38
链接到相关资源的 DOI |
提交历史
来自：Parshav Singla [查看电子邮件]
[v1]
2026 年 5 月 18 日星期一 07:53:46 UTC（595 KB）
来源：arXiv cs.AI · arxiv.org