arXiv 自然语言处理· Yashish M. Siriwardena, Dinesh K. Gnanasekaran, Tanmay Laud, Shinji Watanabe, Subhabrata Mukherjee, Shanil Puri·· 4 小时前AI 评分34
攻克生僻词发音：预训练对话式文本转语音模型的音素适配研究
Pronouncing Hard Words: Phoneme Adaptation of a Pretrained Conversational Text to Speech Model
AI 导读
研究人员通过 ARPAbet 词表扩展、音素增强的有监督微调（SFT）及免训练的推理期声学偏置，为预训练对话式文本转语音（TTS）模型引入音素控制能力。在 7,500 条临床药物发音评测中，严格的 Gemini 判定正确率从无音素增强的 54.6% 提升至 90.7%，超越所有对话式与无状态 TTS 基线。盲测人类研究显示，成年听众判定其发音正确率达 84%。
来源：arXiv 自然语言处理 · arxiv.org