RASMALAI：面向印度语言语音建模的资源库（含变音与抑扬）
计算与语言
2025-05-28 v2
摘要
我们介绍 RASMALAI，一个大规模语音数据集，配有丰富文本描述，旨在推动针对 23 种印度语言和英语的可控且富有表现力的文本转语音（TTS）合成。该数据集包含 13,000 小时语音和 2400 万条文本描述标注，涵盖说话人身份、变音、情感、风格及背景条件等细粒度属性。基于 RASMALAI，我们开发了 IndicParlerTTS——首个开源的、以文本描述为导引的印度语言 TTS 系统。系统评估表明，其能够为指定说话人生成高质量语音，可靠遵循文本描述，准确合成指定属性。此外，它在语言内部及跨语言间有效迁移表现力特征。IndicParlerTTS 在各项评估中始终表现出色，为印度语言可控多语言富有表现力语音合成树立了新标准。
引用
@article{arxiv.2505.18609,
title = {RASMALAI: Resources for Adaptive Speech Modeling in Indian Languages with Accents and Intonations},
author = {Ashwin Sankar and Yoach Lacombe and Sherry Thomas and Praveen Srinivasa Varadhan and Sanchit Gandhi and Mitesh M Khapra},
journal= {arXiv preprint arXiv:2505.18609},
year = {2025}
}
备注
Accepted at Interspeech 2025