arXiv cs.CL· Sezgin Saygili, Emre Kaplaner, Oncel Ozgul, Fikri San Koktas·· 10 小时前AI 评分26
Antalia-2 Mini：完全用合成语音训练的 762 万参数土耳其语 TTS 模型
Antalia-2 Mini: A 7.6-million-parameter Turkish text-to-speech model trained entirely on synthetic speech
AI 导读
Antalia-2 Mini 是一个 762 万参数的单音色土耳其语 TTS 模型，在 Apple M5 笔记本 CPU（2 线程）上以 41 倍实时速度输出 48 kHz 音频。
正文 · AI 翻译
摘要：Antalia-2 Mini 是一个单音色土耳其语文本转语音模型，参数量为 7,620,931。它读取字符，并在 Apple M5 笔记本电脑 CPU（2 线程）上以 41 倍实时速度生成 48 kHz 音频。其训练音频仅来自 VoxCPM2（教师模型），后者规模约大 300 倍，克隆了一段合成片段；自动检查保留了约 1,790 小时。在声学模型自身梅尔频谱图上微调声码器后，在相邻的预发布检查点上，Whisper 转写文本的词错误率（WER）均值从 3.89% 降至 1.75%。当片段首词以 ö 开头时，教师模型会损坏片段开头，学生模型学到了这一点，而我们从输出中截掉的语音前缀将其隐藏。在 495 句的 Freya-TR-Eval 基准上（我们在此调优了设置），版本 1.0.1 在我们的公开测试框架上 WER 为 1.09%，字符错误率为 0.22%。配对自助法无法将这些结果与 EMA Lightning（一个 8.6M 参数的土耳其语模型）区分开，后者在英语训练的质量代理指标全频带 UTMOS 上得分更高。目前没有人工听测。权重、推理代码和基准测试框架以 Apache-2.0 公开；训练代码和数据未公开。
| 评论： | 38 页，22 幅图，9 张表。权重、推理代码和基准测试框架：此 https URL |
| 主题： | 计算与语言（cs.CL）；声音（cs.SD） |
| 引用为： | arXiv:2611.13811 [cs.CL] |
| （或 arXiv:2611.13811v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.13811 arXiv 通过 DataCite 签发的 DOI（待注册） |
提交历史
来自：Sezgin Saygili [查看邮箱]
[v1]
2026 年 11 月 10 日星期二 09:41:21 UTC（2,276 KB）
来源：arXiv cs.CL · arxiv.org