SFMS-ALR：基于脚本优先和自适应区域解析的脚本-first 多语言语音合成
声音
2025-10-30 v1 人工智能
音频与语音处理
摘要
intra-sentence 多语言语音合成（code-switching TTS）由于语言突变、脚本变化以及语言之间不匹配的韵律，仍是一个主要挑战。传统 TTS 系统通常为单语言，无法在混合语言环境中生成自然、可理解的语音。我们提出 Script-First 多语言合成与自适应区域解析（SFMS-ALR），一个面向流畅、实时 code-switch 语音生成的 engine-agnostic 框架。SFMS-ALR 按 Unicode 脚本分割输入文本，应用自适应语言识别确定每个片段的语言和区域，并通过情感感知调整来规范化韵律，以保持跨语言的表达连续性。算法生成统一的 SSML 表示，包含适当的 "lang" 或 "voice" 区间，并通过单一 TTS 请求合成该语音。与端到端多语言模型不同，SFMS-ALR 无需重新训练即可无缝集成来自 Google、Apple、Amazon 等提供商的现有语音。与 Unicom 和 Mask LID 等数据驱动管道进行比较分析表明，SFMS-ALR 在灵活性、可解释性和即时部署方面具有优势。该框架为高质量、engine-independent 多语言 TTS 建立了模块化基线，并概述了用于 intelligibility、naturalness 和 user preference 的评估策略。
关键词
引用
@article{arxiv.2510.25178,
title = {SFMS-ALR: Script-First Multilingual Speech Synthesis with Adaptive Locale Resolution},
author = {Dharma Teja Donepudi},
journal= {arXiv preprint arXiv:2510.25178},
year = {2025}
}
备注
10 pages, 2 figures, 1 table. Demonstration prototype available at https://sfml-tts-proxy-253495793487.us-central1.run.app