阿拉伯语 TTS with FastPitch：可复现基线、对抗训练与过平滑分析
音频与语音处理
2025-12-02 v1
摘要
阿拉伯语文本转语音（TTS）因资源有限和复杂的音系模式而具有挑战性。我们基于 FastPitch 架构构建阿拉伯语 TTS 的可复现基线，引入cepstral 域指标用于分析 mel 频谱图预测中的过平滑问题。传统的 Lp 重构损失产生平滑但过于平均的输出，所提指标揭示了训练过程中其时域和频域效应。为解决此问题，我们采用轻量级对抗频谱损失，该损失训练稳定，显著减少过平滑。我们进一步通过增强 FastPitch 以集成使用 XTTSv2 生成的合成语音，实现了更好的韵律多样性且不损失稳定性。代码、预训练模型和训练配方已公开于：https://github.com/nipponjo/tts-arabic-pytorch。
引用
@article{arxiv.2512.00937,
title = {Arabic TTS with FastPitch: Reproducible Baselines, Adversarial Training, and Oversmoothing Analysis},
author = {Lars Nippert},
journal= {arXiv preprint arXiv:2512.00937},
year = {2025}
}