面向越南语的零样本文本转语音
计算与语言
2025-06-03 v1 声音
音频与语音处理
摘要
本文介绍了 PhoAudiobook，一个新构建的包含 941 小时高质量音频的越南语文本转语音数据集。我们使用 PhoAudiobook 对三个领先的零样本 TTS 模型进行了实验：VALL-E、VoiceCraft 和 XTTS-V2。我们的研究结果表明，PhoAudiobook 在各项指标上均能持续提升模型性能。此外，VALL-E 和 VoiceCraft 在合成短句方面表现出更优的性能，突显了它们在处理多样语言上下文时的鲁棒性。我们公开发布 PhoAudiobook，以促进越南语文本转语音的进一步研究与开发。
关键词
引用
@article{arxiv.2506.01322,
title = {Zero-Shot Text-to-Speech for Vietnamese},
author = {Thi Vu and Linh The Nguyen and Dat Quoc Nguyen},
journal= {arXiv preprint arXiv:2506.01322},
year = {2025}
}
备注
To appear in Proceedings of ACL 2025 (Main conference paper)