LLM到语音：用于训练方言文本转语音模型的合成数据流水线
计算与语言
2026-03-30 v1
摘要
尽管神经文本转语音（TTS）取得了进展，但许多阿拉伯语方言品种仍未得到充分研究，大多数资源集中在现代标准阿拉伯语（MSA）和海湾方言上，导致埃及阿拉伯语——这一被最广泛理解的阿拉伯语方言——资源严重匮乏。我们通过引入NileTTS来解决这一差距：该数据集包含来自两位说话者在医疗、销售和一般对话等多个领域的38小时转录语音。我们使用一种新颖的合成流水线构建此数据集：大语言模型（LLM）生成埃及阿拉伯语内容，然后使用音频合成工具将其转换为自然语音，随后进行自动转录和说话人分离，并辅以人工质量验证。我们在我们的数据集上微调了XTTS v2（一种最先进的多语言TTS模型），并与在其他阿拉伯语方言上训练的基线模型进行了评估。我们的贡献包括：（1）首个公开可用的埃及阿拉伯语TTS数据集，（2）一个可复现的用于方言TTS的合成数据生成流水线，以及（3）一个开源微调模型。所有资源均已发布，以推动埃及阿拉伯语语音合成研究。
引用
@article{arxiv.2602.15675,
title = {LLM-to-Speech: A Synthetic Data Pipeline for Training Dialectal Text-to-Speech Models},
author = {Ahmed Khaled Khamis and Hesham Ali},
journal= {arXiv preprint arXiv:2602.15675},
year = {2026}
}
备注
8 pages, 2 figures, EACL26