面向无分段语言的流式Grapheme-to-Phoneme与韵律模型CC-G2PnP
音频与语音处理
2026-02-20 v1
摘要
我们提出了CC-G2PnP，一种用于连接大型语言模型与文本转语音的流式Grapheme-to-Phoneme与韵律（G2PnP）模型。CC-G2PnP基于Conformer-CTC架构。具体而言，输入的 grapheme token按块处理，这使得对phonemic与韵律（PnP）标签的推断能够流式进行。通过保证对每个输入token的最小前瞻大小，所提出的模型能够在每个token中考虑未来的上下文，从而导致稳定的PnP标签预测。与依赖显式词边界的以往流式方法不同，CC-G2PnP中的CTC解码器能够在训练期间有效地学习 grapheme与phoneme之间的对齐方式，从而适用于无分段语言。针对日本語数据集（该数据集没有显式的词边界）进行实验表明，CC-G2PnP在PnP标签预测准确率方面显著优于基准流式G2PnP模型。
引用
@article{arxiv.2602.17157,
title = {CC-G2PnP: Streaming Grapheme-to-Phoneme and prosody with Conformer-CTC for unsegmented languages},
author = {Yuma Shirahata and Ryuichi Yamamoto},
journal= {arXiv preprint arXiv:2602.17157},
year = {2026}
}
备注
Accepted by ICASSP 2026