更多数据，更少元音：阿拉伯语 TTS 的规模化
计算与语言
2026-03-03 v1
摘要
阿拉伯语文本转语音 (TTS) 研究受限于公共训练数据的可用性以及准确的阿拉伯语 diacritization（鞘拢）模型。本文通过探索在大规模自动标注数据上进行阿拉伯语 TTS 训练来克服这一限制。具体我们构建了一个稳健的管道，用于收集阿拉伯语录音并通过语音活动检测、语音识别、自动 diacritization 以及噪声过滤进行自动处理，最终得到约 4000 小时的阿拉伯语 TTS 训练数据。我们随后使用不同数据量的 TTS 模型进行训练，分别为 100 小时、1000 小时和 4000 小时，带与不带 diacritization。我们表明，尽管在 diacritization 数据上训练的模型总体更好，但更大规模的训练数据能显著弥补鞘拢缺失的不足。我们计划发布一个无需 diacritization 的公开阿拉伯语 TTS 模型。
引用
@article{arxiv.2603.01622,
title = {More Data, Fewer Diacritics: Scaling Arabic TTS},
author = {Ahmed Musleh and Yifan Zhang and Kareem Darwish},
journal= {arXiv preprint arXiv:2603.01622},
year = {2026}
}