BnTTS：低资源环境下的少样本说话人适应
机器人学
2025-02-24 v3
摘要
本文引入 BnTTS (Bangla Text-To-Speech)，这是第一个面向Bangla 说话人适应的 TTS 框架，旨在利用最小训练数据桥接 Bangla 语音合成的差距。基于 XTTS 架构，我们的方法将 Bangla 集成到多语言 TTS 管道中，并对该语言的语音和语言特征进行修改。我们在 3.85 万小时的 Bangla 语音数据集（附带文本标签）上进行预训练，并在我们提出的测试数据集上评估了零样本和少样本情景下的性能。在少样本情景下的经验评估表明，BnTTS 在合成 Bangla 语音的自然性、可理解性和说话人保真度方面显著提升。与最先进的 Bangla TTS 系统相比，BnTTS 在主观意见得分 (SMOS)、自然度和清晰度指标上表现优异。
引用
@article{arxiv.2502.05728,
title = {Hierarchical Equivariant Policy via Frame Transfer},
author = {Haibo Zhao and Dian Wang and Yizhe Zhu and Xupeng Zhu and Owen Howell and Linfeng Zhao and Yaoyao Qian and Robin Walters and Robert Platt},
journal= {arXiv preprint arXiv:2502.05728},
year = {2025}
}