ZeSTA：基于域条件训练的零样文本语音合成数据增强
声音
2026-03-05 v1 人工智能
音频与语音处理
摘要
我们研究将零样文本语音合成（ZS-TTS）作为低资源个性化语音合成的数据增强来源。尽管合成语音提供了语言丰富且音素多样的语料，但 naively 将大量合成语音与有限的真实录音混合训练，常导致微调后说话人相似性下降。为此，我们提出ZeSTA—a 一种简单的数据域条件训练框架，通过轻量级域嵌入区分真实与合成语音，结合真实数据过采样以稳定极端有限目标数据下的适应，不修改基础网络结构。实验在LibriTTS和内部数据集上进行，分别使用两种ZS-TTS源。结果表明，我们的方法在保持语言可理解性和感知质量的同时，优于naive合成数据增强，实现说话人相似性提升。
引用
@article{arxiv.2603.04219,
title = {ZeSTA: Zero-Shot TTS Augmentation with Domain-Conditioned Training for Data-Efficient Personalized Speech Synthesis},
author = {Youngwon Choi and Jinwoo Oh and Hwayeon Kim and Hyeonyu Kim},
journal= {arXiv preprint arXiv:2603.04219},
year = {2026}
}
备注
6 pages, submitted to INTERSPEECH 2026