三小时单人语料做声调语言合成：Efik 语音保存为何选中多语言预训练路线

英文题目：Towards Digital Preservation of Efik: TTS for a Low-Resource African Language

会议身份：conference:interspeech:2026:conference-paper-id:edet26_interspeech

来源为官方会议 PDF；图片依据原页像素，表格数字依据原文引用。PDF 文字层不视为原始 TeX，未可靠恢复的结构不作推断。

会议来源：官方记录 · 官方 PDF

标签：#数据集 #SFT #主观评测 #低资源 #文本到语音

评分：5.8/10 | 创新 1.2/2 | 技术严谨 1.0/1.5 | 实验充分 0.8/1.5 | 清晰度 0.7/1 | 影响力 0.8/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 1.0/1.5

排名：前50% | 文档类型：数据集与基准

👥 作者与机构

• Offiong Bassey Edet：机构信息未能从会议 PDF 纯文本可靠映射
• Emmanuel Oyo-Ita：机构信息未能从会议 PDF 纯文本可靠映射
• Archibong Okon Archibong：机构信息未能从会议 PDF 纯文本可靠映射
• David Effanga Bassey：机构信息未能从会议 PDF 纯文本可靠映射
• Mbuotidem Sunday Awak：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

Efik 文本到语音（Text-to-Speech, TTS）的输入为带声调正字法的 Efik 文本，输出为可懂且保留词汇声调的语音，难点是在约 3.08 小时单说话人数据下联合建模音段与声调轮廓。方法链分为三步：先以无线麦克风在安静室内采集小说、民间故事与教材朗读并做人工转写与声调校对，再将音频统一转码至 16kHz 单声道 wav 并切分后送入四个预训练 TTS 做适配微调，最后由母语者从整体质量、自然度与口音保持三维打分。与从零训练的端到端方案不同，该工作依赖多语言预训练（Multilingual Pretraining）的跨语言迁移来弥补极低资源，尤其借用 Yoruba 检查点扩展 Efik 特殊字符。在测试子集母语者评测中，多语言语音合成（Multilingual Speech Synthesis, MMS-TTS）以平均意见分（Mean Opinion Score, MOS）3.80 分领先次优 Orpheus-TTS 的 3.08 分，并可稳定生成近 3 分钟长语音而其他模型在 20 秒到 30 秒后即幻觉。该结论仅适用于短句单说话人朗读体，声调误读与罕见鼻化音仍未解决，多说话人与自发语体未经验证。原文未披露训练、推理或部署成本。

🔗 开源与复现资源

• 第三方资源：https://github.com/canopyai/Orpheus-TTS — 链接可访问（HTTP 200）
• 第三方资源：https://github.com/openai/whisper — 链接可访问（HTTP 200） 可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

🧭 深度解读

输入是什么：要为 Efik 做什么样的语音保存？

这篇解读的输入是 Interspeech 2026 关于 Efik 语音合成的论文原文与两张分布直方图像素，目标是让刚进入语音方向的研究生能复述数据做法、模型条件与评测结论。必须保留的信息包括语料规模与划分、4 个模型的训练条件、三项母语者评分及其方向、长序列表现与声调失败现象。输出按学习依赖展开，先讲任务与路线，再讲语料构造与模型全景，最后讲实验条件与可复现细节。

Efik 是尼日利亚东南部使用的 Lower Cross 语言，论文引用的规模是约 150 万母语者与约 300 万第二语言使用者。白话说，低资源语言就是公开可用的、带授权的、录音干净的配对语料很少的语言。英文名是 low-resource language。对 Efik 而言，困难不只是总量少，还有已有录音多带背景音乐、环境噪声或多人重叠，且缺少可用于计算研究的明确授权，因此不能直接拿来做监督式语音合成。

第二个关键词是声调语言，英文名是 tonal language。白话说，同一个音节用不同音高说出来，意思或语法就变了。语音合成的英文名是 text-to-speech，简称 TTS，任务是输入文本、输出波形。对高资源语言，几百小时语料加端到端结构加神经声码器可以做得很自然。但对 Efik，如果只学音素拼接而不学准声调轮廓，合成结果会改变词义，降低可懂度与自然感。这就是本研究把声调准确性放在核心的原因。

声调语言 × 语音合成： 声调语言负责用音高变化区分词义和语法，语音合成负责把文本转成可听波形，二者搭配的理由是合成必须同时重建音段发音和基频曲线，组合意义在于声调实现不准则直接改变词义，因此 Efik 合成的成败首先取决于音高建模而非仅是音质。

从保存角度看，论文把工作放在从被动存档转向主动计算语言学的链条上。此前有多卷 Efik 谚语整理、Learn Efik 应用与词典工具，以及把模拟手稿数字化的呼吁，但语音合成仍是缺环。教学例子：比如把一句 Efik 小说句子读出来并存成干净单人录音，这只是例子，不代表论文用了该句。真正要做的是为 Efik 建立第一个有文档记录的端到端 TTS 基线，并说明在只有 3 小时条件下哪条路线更稳。

背景补充：Efik 文献与数字鸿沟如何影响选题？

论文用一节说明为何选 Efik 做保存。历史上 Efik 有较强文字地位，有早期传教士词典与本土历史文化记录，但多为纸质模拟形态，保存在实体图书馆。后来有多卷 Efik 谚语主题研究，但在年轻城市说话人中，英语与尼日利亚皮钦语优先，语言活力下降。

21 世纪的转向是从模拟到数字。已有呼吁把 deteriorating 的模拟手稿迁入数字仓储，Learn Efik 应用与词典工具提高了可及性，但对非母语者的声调准确性仍是挑战。Ibom NLP 等工作为 Efik 等少数语言建文本语料，使其能参与全球 AI 生态，多模态语言活力评估则用数字语音与地理数据做实时评估。

对初学者而言，这段背景的作用是理解任务不是单纯刷分。没有干净配对语音，TTS 管线就缺输入。本研究补的是语音配对与合成基线，而不是重复文本翻译。学习时应把文本数字化与语音数字化分开，文本先行不代表语音已解决。

同类工作在相同输入与目标上做到了哪一步？

相关工作要按同输入、同目标、同监督与同运行阶段对照，不能把类别不同直接当胜负。论文梳理了两条线。第一条是非洲语言 TTS 覆盖。已有工作涉及约鲁巴语、伊博语、豪萨语、斯瓦希里语、阿坎语等，WAXAL 等多语言工作进一步把覆盖扩展到 24 个非洲语言，BibleTTS 等语料也在提高高保真多语言覆盖。这些工作的输入同样是文本，目标同样是合成自然语音，但 Efik 此前没有系统性 TTS 基准，这是本研究的增量位置。

第二条是低资源合成的方法约束。已有讨论包括数据高效、最小监督 TTS、为语言复兴与教育做语音生成，以及众包数据建模。约束集中在录音少、说话人少、正字法不一致与评测困难。论文引用 Luganda 众包建模等工作，说明小数据可以起步，但音质与韵律稳定性需要额外设计。本研究与它们同属小数据单人监督合成，但特有条件是 Efik 的声调敏感性与极小规模受控语料。

文本侧的 Efik 工作也在推进。Ibom NLP 项目为 Anang、Efik、Ibibio 和 Oro 等语言建文本语料，英语与 Efik 机器翻译语料也在发展，多模态语言活力评估则用了语音与地理空间数据。这些属于同语言、不同目标的工作，不能直接当成语音合成基线。它们的意义是说明文本数字化先行，而语音配对数据仍然稀缺，因此本研究必须自建录音。

路线对照：端到端与跨语言迁移差在哪里？

从运行阶段看，VITS 是单阶段从文本直达波形，优点是端到端联合优化，缺点是在极小数据下要同时学好发音、韵律与波形细节，论文中 3 小时条件正好暴露了这一点。MMS-TTS 是先有多语言表示再迁移，优点是起点已见过多种语音模式，缺点仍是目标语言声调细节需目标数据补足。

SpeechT5 是统一语音文本的编码器解码器，优点是表示灵活，缺点是声调轮廓仍需足够监督才能学准，长序列外推弱。Orpheus-TTS 侧重对抗训练保波形真实感，优点是短句听感相对好，缺点是口音与声调文化细节易偏。

对照时不能只看总体分。MMS-TTS 总体与口音双高，Orpheus 总体中等但口音低，SpeechT5 总体偏低且自然度与口音更低，VITS 全面垫底。这种分化说明总体自然度、自然度专项与口音保留测的是不同能力，选型要按是否需要地道声调来定。

问题是什么：3 小时能验证什么，不能验证什么？

论文要回答的问题是在只有约 3 小时单人干净语料时，现有神经 TTS 能否生成可懂且尽量自然的 Efik 语音，以及哪种结构更适合声调语言的低资源起点。输入是 Efik 正字法文本，输出是 16 千赫单声道波形。监督来自人工核对的文本与音频配对，不依赖自动语音识别转写。

约束有 3 层。第一是数据量约束，2632 句约 3.08 小时，远小于高资源 TTS 常用的几百小时。第二是说话人约束，单人录音保证声学一致，有利于学稳定的频谱与韵律表示，但也限制了韵律多样性。第三是语言约束，声调对比靠音高实现，句末音素若被截断会损伤声调实现，因此切分与标注必须保留句末声学线索。

能验证的是短句可懂度排序、总体自然度相对高低、长序列是否幻觉，以及特殊字符的可懂度差异。不能验证的是多人泛化、真实部署延迟、误发率的系统统计，以及更大语料下各模型是否反超。论文把结论限定为可复现基线与声调建模待加强，这个限定需要保留。

问题细化：声调错误为何比杂音更关键？

对非声调语言，杂音主要损听感。对 Efik 这类声调语言，音高错了可能直接换词，听感尚可但意思错了。论文因此把声调实现放在与音段结构同等重要的位置，要求模型同时学好音素与声调轮廓。

操作层面，保留句尾尾音、人工核对声调实现、移除错位样本，都是为声调服务的。教学例子：若把句末音节切掉一小段，普通听感可能变化不大，但声调判断线索可能丢失，这只是帮助理解的例子，不代表论文测量了该损失量。

因此评测不能只用自动声学距离，必须有母语者听声调与口音。论文用 5 位母语者三项打分，正是为捕捉自动指标看不到的声调与文化偏差。复现时若只报损失下降，会漏掉最关键的维度。

方法全景：一个样本从文本到波形走哪条路？

先沿一个样本走完流程。输入是一句 Efik 文本，例如一句来自小说或民间故事的句子。表示阶段先做正字法归一化，去掉无关标点与非语音符号，但保留句子边界以维持自然韵律结构。组件阶段把文本送入 4 个模型之一，模型输出声学表示后再经声码或端到端路径生成波形。目标是波形与文本内容一致、声调轮廓正确、听感自然。输出是 16 千赫单声道无压缩波形。

4 个模型各有分工。VITS 是单阶段端到端模型，用条件变分自编码器加归一化流与对抗学习，直接从文本生成原始波形。MMS-TTS 属于多语言语音合成框架，靠预训练多语言表示做跨语言迁移，适合缺大语料的语言。SpeechT5 是基于 Transformer 的序列到序列模型，统一语音与文本表示，灵活编码语言与声学特征。Orpheus-TTS 侧重波形保真与自然度，用对抗训练提高真实感。论文选择它们的理由是在低资源单人条件下做高质量单人 TTS 的能力。

多语言预训练 × 跨语言迁移： 多语言预训练负责在大量其他语言上先学通用声学与音素表示，跨语言迁移负责把这种表示搬到无预训练 checkpoint 的 Efik 上，搭配理由是 3 小时语料不足以从零学完发音与韵律，组合意义在于用约鲁巴 checkpoint 起点加词表扩展来补足 Efik 特有字符的建模起点。

关键适配是词表与嵌入。MMS-TTS 没有 Efik 预训练 checkpoint，论文用约鲁巴 checkpoint 初始化，并扩展词表与嵌入以纳入 Efik 特有字符。VITS 与 SpeechT5 同样需要更新嵌入与词表以容纳这些字符，Orpheus-TTS 无需修改即可运行。论文报告，所有模型对含特殊鼻音字符的词发音都有困难，而对另一特有元音字符，MMS-TTS、SpeechT5 与 Orpheus-TTS 能给出可懂发音，可能得益于在其他语言类似音素上的预训练，VITS 则对许多 Efik 句子不可懂。这说明小数据下联合学习波形与韵律的结构更敏感。

组件如何分工：文本归一化与音频清洗管什么？

文本分支管监督干净。做法是人工核对每句转写与录音是否精确对应，重点检查声调实现与发音准确性，发现声调不一致、发音错误或图文错位就标记，能重转写的纠正，否则从数据集中移除。目的是避免小错误进入声学建模，因为监督式 TTS 对转写与声调错误敏感，会直接损伤可懂度。

音频分支管声学一致。原始录音是 m4a 格式，先转无压缩 wav 以兼容语音处理流程，再重采样到 16 千赫单声道。清洗只做首尾静音修剪，同时保留句尾约 60 至 100 毫秒尾音，防止句末音素被截断。白话说，句尾拖一点静音不是浪费，而是保住声调判断所需的句末线索。句子级切分保留自然韵律边界，不做激进降噪以外的处理。

2 分支在训练前汇合为配对语料。最终 2632 句按训练 1975 句、验证 264 句、测试 393 句划分。这个划分是后续所有微调与评测的数据基础，复现时应保持同一划分才能比较公平。

语料与模型是如何构造和微调的？

本节承担方法职责的是语料构造与微调流程，没有从零训练大模型。录音来自 1 位 Efik 母语者，在安静室内用无线麦克风录制，以减少背景噪声并保证声学一致。录音材料取自 Efik 小说、民间故事与教育文本，以提供词汇多样性与领域覆盖，并有意纳入不同句式与声调模式。论文强调自建的原因是公开音频多带噪声或缺少计算研究授权，不适合受控声学建模。

标注流程先试自动强制对齐，但包括 Whisper 与 XLS-R 在内的预训练多语言模型在 Efik 上转写高度不准，可能因预训练时对 Lower Cross 语言暴露不足。论文因此放弃自动转写，对全部 2632 句做人工转写与核对，并由 1 位母语者与 1 位语言学家独立审查每句，确保音频与文本精确对应。资源状态方面，论文引用的第三方 Whisper 与 Orpheus-TTS 链接本次均为可用状态，但这只说明代码仓库可达，不代表本研究语料与权重已公开。

强制对齐 × 人工标注： 强制对齐负责用已有语音识别模型自动产生文本与音频的时间对应，人工标注负责逐句听写并核对声调与正字法，搭配理由是 Whisper 与 XLS-R 在 Efik 上转写错误率高无法信赖，组合意义在于放弃自动对齐、全部 2632 句人工转写以保证监督信号干净。

微调在单块 A100 上用混合精度完成，并按验证损失早停以防过拟合。4 种配置各不相同，VITS 训练 50 轮，学习率 2e-4，批量 4，用 Adam 优化器。MMS-TTS 训练 50 轮，学习率 2e-5，批量 16，用 AdamW 优化器，并利用多语言预训练。SpeechT5 用更小学习率 1e-5，批量 4，最多跑 2500 轮并早停，加 0.1 丢弃率防过拟合。Orpheus-TTS 训练 50 轮，学习率 2e-5，批量 8。

单人配置提供声学一致性，有利于在声调语言中学习稳定的频谱与韵律表示。论文未报告梯度是否冻结、哪几层更新等细粒度路径，复现时只能按微调整体更新理解，不应从模型名推定冻结策略。

实验条件：数据分布与评测口径如何固定？

数据分布决定了训练与评测的难度结构。语料总量约 3.08 小时，2632 句，音频时长从 0.48 秒到 15.94 秒，平均 4.21 秒，中位数 3.49 秒。文本侧共 23986 词，词表 3276 个不同词，每句 1 至 33 词，平均每句 9.11 词。直方图显示短句占主导，长句是长尾，这对长序列生成不利。

以下直方图先看音频时长分布，确认短句主导与长尾稀疏，为理解长文本幻觉提供数据背景。图中横轴是秒数，纵轴是片段数，柱子高度代表该时长区间的样本量。

看图路径： 1. 先看横轴时长秒数与纵轴片段数的含义，确认是语料分布直方图；2. 再看 2 秒至 4 秒区间柱子最高，确认多数为短句训练样本；3. 最后看右侧 8 秒以上长尾逐渐变矮，确认长句样本稀少

论文图 1。原论文 Figure 1：“Distribution of audio clips duration.”。

上图可见蓝色柱子在 2 秒至 4 秒附近最高，峰值附近单区间可达约 150 至 180 句，随后向右侧逐渐下降，8 秒以上明显变矮，14 秒至 16 秒仅剩零星样本。结合正文平均 4.21 秒与中位数 3.49 秒，可以判断训练信号主要来自短句，长句监督很少。这解释了为何多数模型在 20 至 30 秒后容易不连贯，而见过更多跨语言长序列模式的模型相对更稳。像素不能精确读出每个柱子的 exact 计数，解读只到分布形状与峰值区间，不硬写单柱数值。

评测口径用三项母语者评分。白话说，平均意见分英文名是 Mean Opinion Score，简称 MOS，测总体自然度。自然度 MOS 英文名是 Nat-MOS，专测听起来自然不自然。口音 MOS 英文名是 A-MOS，测是否保留 Efik 口音与语音特征。5 位 Efik 母语者对测试集子集的短音频按 1 至 5 打分，1 为完全不自然，5 为高度自然，报告均值与标准差。分数越高表示越自然或越准确。

平均意见分 × 口音： 平均意见分负责评价合成语音总体自然度，口音负责评价是否保留 Efik 口音与语音特征，搭配理由是总体好听不等于说得地道，组合意义在于用总体分、自然度分和口音分 3 维区分流利但带外国口音与真正符合母语听感的输出。

下表整理语料规模时提出的问题是训练信号是否以短句为主，公平条件是同一 2632 句受控语料，指标方向是时长与词数越集中则长序列越难。表格数字保留原文写法与精度。

上表的主要收益是把总量、均值与长尾放在一起看，短句主导是明确代价。未胜出项是长句覆盖不足，论文未给出按长度分桶的合成分数，这是未评测边界。复现时应保留同一划分与同一重采样，否则分布变化会干扰模型比较。

主结果：哪个模型更自然，代价在哪里？

主结果按问题组织。测的是短句自然度与可懂度相对排序，与谁比是 4 个模型在同一 3 小时单人语料上的微调结果，条件一致处是同一数据划分与母语者打分，指标方向是分数越高越好。关键数字是 MMS-TTS 最高，VITS 最低，Orpheus 居中，SpeechT5 偏低。支持的判断是多语言预训练路线在极小数据下更稳，限制是声调错误仍然存在。

以下先看文本长度分布，确认长文本样本稀少，为解释长序列失败提供另一半证据。横轴是每句词数，纵轴是片段数。

看图路径： 1. 先看横轴每句词数与纵轴片段数，确认是文本长度分布；2. 再比较 5 至 8 词与 9 至 12 词两个高峰的位置与高度；3. 最后看 20 词以上柱子明显变矮，确认长文本覆盖不足

论文图 2。原论文 Figure 2：“Distribution of transcript length per audio clip.”。

上图可见 5 至 8 词区间出现高峰，单区间可达约 220 至 270 句，9 至 12 词是次高峰，随后向右下降，20 词以上明显变矮，30 词以上仅剩零星样本。结合正文平均 9.11 词与 1 至 33 词范围，可以判断模型很少见到真正长的 Efik 句子。因此评测中短片段打分尚可，但要求生成长达数十秒连续语音时，多数模型会偏离学过的长度分布。同样不硬写单柱精确计数。

下表在比较前提出的问题是谁在总体、自然度与口音 3 维上占优，公平条件是同语料微调加 5 位母语者短片段打分，指标方向均为越高越好。表格数字保留原文精度。

上表的主要收益是 MMS-TTS 三项全高，且是唯一能生成近 3 分钟连贯 Efik 语音而不产生无意义输出的模型。论文将其归因于多语言预训练带来的跨语言语音知识，特别是有助于特有元音等声调相关音素，并支持长序列稳定。具体代价是声调错误仍然存在，数据集小仍是瓶颈。未胜出项中，Orpheus-TTS 短句可懂但被指出像欧洲男性说话人、丢失 Efik 声调与文化细微差别。SpeechT5 短句可懂但声调轮廓不准，长序列在 20 至 30 秒后幻觉。VITS 因依赖大规模数据联合学习波形与韵律，在 3 小时条件下失败最明显。

训练配置对照进一步说明条件差异，比较问题是各模型是否用了相同优化预算，公平条件是同数据不同超参数，指标方向不是分数而是可复现性。

上表说明比较并非完全同超参数，而是按低资源单人条件各自调优。SpeechT5 允许跑到 2500 轮并早停，仍未解决声调与长序列问题，这支持瓶颈在数据与声调建模而非单纯训练轮数。VITS 批量小且轮数少，在小数据下不稳，这与论文对其架构敏感性的解释一致。

失败条件：换长文本与特殊字符会发生什么？

论文没有标准消融表，但提供了两类失败条件，可当反证读。第一是长序列压力测试。MMS-TTS 可生成最长约 3 分钟连续 Efik 音频而不幻觉，而 VITS、Orpheus-TTS 与 SpeechT5 常在 20 至 30 秒后产生不连贯或无意义语音，其中 Orpheus 相对 VITS 与 SpeechT5 更可懂，但仍带外国口音且声调文化细节丢失。这说明短句 MOS 高不等于长文本可用，复现时必须单独测长文本，不能只报短句均值。

第二是特殊字符压力测试。所有模型对含特殊鼻音字符的词发音困难，说明极低资源下稀有音素表示不足。对于特有元音字符，MMS-TTS、SpeechT5 与 Orpheus-TTS 能给出可懂发音，可能受益于其他语言类似音素的预训练，而 VITS 多数不可懂。这支持多语言预训练对部分音素有迁移，但不能推广为所有声调都已解决。

第三是标注路线反证。自动转写失败迫使全量人工标注，若沿用 Whisper 或 XLS-R 的错误转写做监督，声学建模会学错对应关系。论文未量化错误转写率，也未做用自动转写训练的对照，因此只能说人工保证了基线干净，不能说自动路线必然差多少。这是待补验证，不是定量消融。

边界是什么：哪些结论不能推广？

论文明确列出局限。第一是单人 3 小时，韵律变化受限，长序列建模尤其受影响，VITS 这类模型受冲击最大。第二是稀有音素如特殊鼻音字符在所有模型上都困难，MMS-TTS 对声调模式处理相对合理，但 Orpheus-TTS 与 SpeechT5 仍带轻微外国口音，未完全抓住 Efik 声调与文化细微差别。第三是评测只覆盖短片段母语者打分，没有按长度、按声调最小对立、按领域分桶的细粒度报告，也没有延迟、成本与误发率测量。

因此总体趋势不等于每组都成立。MMS-TTS 均值最高不代表每句声调都对，Orpheus 中等长度连贯不代表口音可接受。未测量推理开销、输出帧率与实际延迟，论文也不承诺这些量得到改善。训练资源只报告单卡 A100 混合精度与早停，未报告具体小时数与显存占用，复现预算只能按同等级单卡估算。

伦理与数据边界同样重要。录音来自 1 位母语者，已获知情同意用于 TTS 研究，材料使用遵循版权与文化规范。论文声明数据集与模型仅限非商业研究，将以非商业许可发布，并限制给同意许可条款的研究者，明确禁止冒充或欺诈性生成。解读中不把仓库可达等同于本研究数据已公开，当前是否可下载应以作者发布状态为准。

复现先做什么：按什么顺序重建基线？

复现的第一步是重建数据管线。按论文顺序，先把 m4a 转无压缩 wav 并重采样到 16 千赫单声道，再修剪首尾静音但保留句尾约 60 至 100 毫秒。文本做正字法归一化，去无关标点，保留句子边界。划分固定为训练 1975 句、验证 264 句、测试 393 句。若划分改变，后续 MOS 比较不再公平。

第二步是准备词表扩展。以约鲁巴 checkpoint 初始化 MMS-TTS 并扩展嵌入以纳入 Efik 特有字符，对 VITS 与 SpeechT5 同样更新嵌入与词表，Orpheus-TTS 按原文无需修改直接运行。关键超参数保留原文值，VITS 用 50 轮、2e-4、批量 4 与 Adam，MMS-TTS 用 50 轮、2e-5、批量 16 与 AdamW，SpeechT5 用 1e-5、批量 4、至多 2500 轮早停加 0.1 丢弃，Orpheus-TTS 用 50 轮、2e-5、批量 8。训练用单卡 A100 混合精度并看验证损失早停。

第三步是复现评测。请 5 位左右 Efik 母语者对测试子集短片段按 1 至 5 打总体、自然度与口音三项，报告均值与标准差。同时加测长序列，记录 20 至 30 秒后是否幻觉，以及最长连贯时长。还要单测含特殊鼻音与特有元音字符的词，记录可懂与否。还需补的验证是声调最小对立测试与分长度分桶分数，否则无法判断声调改进是否真实发生。代码开源、权重下载与系统可运行要区分，第三方仓库可达不等于本研究权重可运行。

何时值得尝试这条路线，还缺哪项验证？

当任务是为无预训练 checkpoint 的声调语言做小数据单人基线时，值得先尝试多语言预训练加词表扩展的路线。MMS-TTS 在本研究三项分数居首且长文本最稳，说明跨语言语音知识在 3 小时条件下提供了更好的起点。但当目标是完全自然、地道且声调准确的 Efik 语音时，当前结果不支持直接部署，需要更大高质量语料、多说话人韵律覆盖，以及音素级或声调感知的结构改进。

论文特有的误解需要澄清。第一，好听不等于声调对，Orpheus-TTS 中等分数仍带外国口音就是例子，必须同时看口音分与声调测试。第二，短句可懂不等于长文本可用，长序列幻觉是独立维度。第三，单人声学一致有利于稳定，但也限制多样性，不能推广到多人系统。第四，人工标注干净是基线成立的前提，不能用自动转写错误率未知的方式替代。

收束时保留可核对要点。语料是 2632 句约 3.08 小时，平均 4.21 秒，中位数 3.49 秒，文本 23986 词，词表 3276 词。模型是 4 种微调，MMS-TTS 总体 3.80±0.63 居首，VITS 总体 1.08±0.27 居末。长文本上仅 MMS-TTS 达到约 3 分钟连贯，其余常在 20 至 30 秒后失效。声调错误与稀有音素仍是主要代价，未来需要更大语料与声调感知建模来验证改进。

⚖️ 评分明细

评分属于系统判断，不是论文实验结果；八维数值与总分见页首，原始审计记录保留在后端。

• 评分规则：type-aware-v1
• 评分模型：muse-spark-1.3-contributor
• 评分请求协议：openai_responses

← 返回 interspeech-2026 论文汇总