少而精才能出声：为毛利语做伦理可控的高质量合成语音

英文题目：Indigenising Speech Technology: Building a TTS Model for te Reo Māori

会议身份：conference:interspeech:2026:conference-paper-id:leoni26_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：#基准测试 #数据集构建 #低资源 #多语言 #文本到语音

评分：5.6/10 | 创新 1.2/2 | 技术严谨 0.8/1.5 | 实验充分 0.5/1.5 | 清晰度 0.7/1 | 影响力 1.1/1.5 | 开源 0.0/1.5 | 可复现 0.1/0.5 | 工程/实践 1.2/1.5

排名：前50% | 文档类型：数据集与基准

👥 作者与机构

• Gianna Leoni：机构信息未能从会议 PDF 纯文本可靠映射
• Peter-Lucas Jones：机构信息未能从会议 PDF 纯文本可靠映射
• Tūreiti Keith：机构信息未能从会议 PDF 纯文本可靠映射
• Suzanne Duncan：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

本文处理毛利语与新西兰英语文本到语音合成，输入为毛利语及双语码切换文本，输出为毛利语优先的自然语音，难点在于毛利语音系独特且单说话人高质量语料稀缺，通用引擎复用他语发音对毛利语近乎不可懂。方法分四步推进：部落语言专家筛选著述并清洗正字法与分句后转入录制；母语级播音人才在部落电台录音棚多轮录制并补转写历史访谈；专家逐句审听按通过、重录、修复与改写处置后送入训练；以语音相近的西班牙语基座加毛利语与英语精标语料微调，并用固定试听基准迭代补录缺失发音。与通用多语引擎直接复用他语发音不同，该工作以西班牙语为基座再精调并坚持部落专家全程质检，其意义在于以较少数据保证发音与文化适切。为此构建覆盖全音位的90句毛利语基准与100句双语码切换基准，按发音、韵律与清晰自然度做新旧版本对比试听。在自建训练语料统计设置下，男性嗓音的毛利语数据量指标为近11小时，高于女性嗓音的毛利语数据量指标逾3小时。该结论的适用边界仅为该部落通用口音下的男女基座嗓音，情感表达、地域口音泛化与外部听众评价尚未验证。原文未披露训练、推理或部署成本。

🔗 开源与复现资源

本次未形成可展示的已核验资源记录，开放状态尚未核实。 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，目标是什么，必须保留什么信息？

这篇论文的输入是书面文字，目标是输出能大声读出毛利语的合成音频。研究对象不是英语等高资源语言的通用合成，而是特指特雷奥毛利语，也就是新西兰土著毛利人的语言，以及与之日常混用的新西兰英语。作者来自部落电台组织特希库媒体，他们的任务来自长辈交托，要做出伦理上站得住、文化上合适、发音像母语者的工具。

论文先交代为什么不能直接拿现有手机语音凑合。现有设备上的英语语音主要来自美国、英国、苏格兰、爱尔兰、南非、印度和澳大利亚，谷歌助手也只有澳大利亚、英国和美国口音，完全没有毛利语语音，也没有新西兰英语语音。更关键的是语言结构差异，毛利语只有 ng 和 wh 这两组相邻辅音是单个音素，所有词都以元音结尾，正字法和语音系统独特。用为别的语言设计的合成器去读毛利语，论文引用此前工作形容为近乎不可懂的复制。这意味着研究生不能把这项工作理解为换个数据集重训一遍，而是要从文字规范、音色授权到评估标准都重做。

文本转语音 × 数据主权： 文本转语音负责把书面文字变成可听的合成音频，数据主权负责决定谁可以收集、使用和部署声音与文本；两者搭配的原因是毛利语音色一旦发布就可能被滥用，只有把授权、音色选择和部署条件留在部落组织手中，合成才不会脱离语言社区控制，组合意义是技术流程每一步都要先过伦理与授权检查再谈建模。

论文反复强调的一个判断是，数据多不等于结果好。对于土著语言，开放数据集中号称包含毛利语的部分质量很差，不认识语言特性，也不反映说话人多样性。因此本研究的学习目标不是追求更大语料，而是讲清楚如何用更少但经过细致筛选、录制和质检的数据得到高质量语音，并把流程写到别人能为其他土著、濒危或少数语言复制。需要保留的关键信息是，本文重点是数据整理、采集、质量保证和全程决策，模型训练只做简要描述，评估主要靠语言专家主观听辨，而不是词错误率那类自动分数。

同类工作在做什么，本文与它们有何不同？

在相关路线上，论文把自己放在 3 条线里比较。第一条是高资源语言文本转语音，通常做法是收集大量录音与对应文本做成平行语料，从零建基座模型。第二条是低资源语音识别，作者团队此前已做过毛利语语音转文字、发音评估和档案再利用，证明高质量小数据可以做出好工具。第 3 条是已有的毛利语合成尝试和通用多语言系统，论文指出它们在大语种上可用，但对土著语言输出质量差、错误多。

区别首先在输入。通用路线依赖现成大语料或网络爬取文本，本文只用获得明确授权的文本，优先选择由毛利人创作、为毛利人所写、文化相关的虚构与非虚构材料，拒绝通用或翻译质量差的内容，并且要经过内部语言专家逐句审校。这与开放数据集的做法正好相反。第二，区别在说话人。通用路线常从多人数据拼凑音色，本文坚持单人、母语水平、与社区有谱系联系的音色，并要求本人全程参与声音使用决策。

第三，区别在评估。语音识别可以用词错误率客观比较，合成则很难，通用基准也测不出毛利语独特性。作者因此自己新建了毛利语基准和双语基准，而不是沿用知名基准。

对初学者而言，这节的要点是不要把类别差异当成同条件胜负。通用系统数据量大、评测是英语，不代表它在毛利语上可比。本文的可比对象是此前没有任何能与高资源系统竞争的毛利语合成语音，以及组织内部模型的前后迭代，证据是专家听出的机械感减轻、流利度接近母语者，而不是跨语言榜单分数。

要解决的具体问题是什么，难在哪里？

具体问题是做出第一个高质量、以毛利语为先的合成语音，并为将来能自然切换毛利语和英语的双语语音打基础。应用例子很具体。公共交通需要播报站名，若只有预先录好的人声，一旦车站变更就无法灵活改词，有了合成语音只需给新文本就能立即生成修订播报。语言学习应用隆戈已有真人录句供跟读，用户希望输入任意文本就能朗读模仿，也需要合成来扩展内容和地区变体。

难处有 4 层。第一，无基础可继承。设备上没有毛利语或新西兰英语语音，也没有毛利语基础声学模型可直接微调。第二，语言独特性强。ng 和 wh 是单音素，词尾必为元音，通用引擎切分和发音规则不适用。

第三，真实用法是双语混用。许多毛利地名已进入新西兰英语，许多英语词没有毛利语对应词，一句话里两种语言自然切换，没有专用双语语音就无法准确且文化得体地读出共享词汇。第四，伦理风险高。合成音色可能被用于深度伪造、操纵性内容或不当信息，必须控制声音部署在哪里、在什么条件下使用。

因此问题定义不仅是技术问题，也是授权问题。谁的声音可以被合成，文本是否得到作者或家属许可，评估由谁说了算，这些都先于建模。论文把先做毛利语单语语音定为必要第一步，认为若要助力语言复兴，韵律风格必须达到让第二语言学习者愿意模仿的母语者水准，而不是先拼一个能出声的英语腔版本。

整体方法分几步，每步输出什么？

按学习依赖，整体流程可以沿着一个句子走一遍。起点是一句从已授权书籍或档案中取出的毛利语文本。先进入整理环节，输出是放在幻灯片里、每页一句、标点和长音符号已校对、长度适合朗读的干净句子。接着进入录制环节，输出是发音人按句录制的干声文件。然后进入质检环节，输出是语言专家逐句听过并标记为通过、重录、修复或改文本对齐录音的可用平行数据。最后进入训练与基准评估环节，输出是新版合成语音和一份对照报告，报告里有目标句、旧版音频和新版音频，专家按元音辅音发音、音高、韵律、语调、节奏、清晰度和自然度给出问题定位，再决定下一轮补录什么。

论文把训练本身的细节指向另 1 篇同期工作，本文只给路线。路线是先找一个语音上相近的语言做起点，再用收集到的高质量男声和女声数据微调。选择西班牙语的原因在原文中有明确交代，因为它覆盖了大部分毛利语音素，但在元音长短和颤音等特征上有差异，所以仍需足够本族语数据才能成功。这一步的输出不是通用多语言模型，而是一个毛利语优先的基座语音。

为理解数据量假设，先看论文引用的通用经验值。下表的问题是，从零训练和微调到底需要多少语音量，公平条件是同一类朗读式建模任务，指标方向是所需时长越少越好，但前提是发音正确无误。

这张表说明通用指南给出的是从零训练需要数十小时，微调可低至 30 分钟到 1 小时。但论文的论点是这些数字不能直接套用到毛利语。因为起点语言仍有多处差异，实际仍需收集到能覆盖全部音素和真实场景的数量。本文最终录音规模远大于微调下限，又远小于高资源语言动辄上 100 小时的做法，恰好用来论证少而精路线。代价是人工成本高，每句都要专家审校和听辨，不是把音频丢给模型就结束。

文本整理和录制环节具体做了什么动作？

文本整理是全文最耗时但最关键的组件。团队收到的文本格式杂乱，有可移植文档、文字处理文档和电子书文件。试过多种方法后，确定先把句子放进电子表格并按标点自动切分，再由内部语言专家逐句人工审校。这些专家来自组织所代表的部落，有数十年毛利语复兴经验。自动转换常犯的错误包括打字机排版把词切断、小数点被误当句号。

专家还要统一正字法，补齐或纠正缺失错位的长音符号，并向长辈核实专有名词以保证文化准确和尊重。过短的标题类碎片会被删掉，因为一两个词的片段会打断朗读流，也提供不了足够语音上下文。句子还要按标点、节奏和词数切到合适长度，最后转到演示文稿，每页一句，让发音人 1 次只聚焦一句，又能顺畅翻页。定稿前还有 1 次专家复查。

正字法 × 音素： 正字法负责规定文字怎么写，包括长音符号和 ng、wh 等拼写，音素负责规定实际发出的是哪一个语音单位；两者搭配的原因是毛利语中 ng 和 wh 是单个音素且所有词都以元音结尾，若合成器按英语拼写切分就会读错，组合意义是文本清洗必须先把拼写统一为正确的音素序列，合成器才能发出可懂的毛利语。

录制环节同样强调人与场地的匹配。男声发音人是组织内部员工，毛利语达到高级熟练，有广播经验，能产出适合训练的高质量录音，且与组织所代表的多个部落有谱系联系，是多个部落的活跃成员。选内部人员的好处是录音出问题能快速处理，本人也能全程参与声音使用决策。女声发音人同样要求与社区有强谱系联系、有广播或发声经验、与组织互信，因已有男声流程经验且对风险理解更深，第二位不必在组织内部。

录制场地从部落电台录音室加音频软件起步，后来男声和女声都在同一位制作人的录音室录制。该制作人与部落电台有谱系联系，毛利语熟练，懂语气语调，会与发音人合作抓每句最强版本，有时一句话录多遍。随着发现数字、缩写或健康等场景缺口，团队会针对性整理新句补录。

模型训练用了什么起点，哪些细节已报告、哪些缺失？

本节先明确训练信息的边界。本文不是完整报告训练超参数的论文，训练细节在引用的另 1 篇边缘设备部署工作中描述。本文只报告路线级事实。起点是利用国际音标做音素化，用语音相似的西班牙语训练数据做基础，因为西班牙语覆盖大部分毛利语音素，再用男声和女声毛利语发音人的数据微调。那篇工作还报告了在小训练语料上的初步实验和面向小设备的优化，但具体网络结构、学习率、冻结层、梯度路径和计算资源在本篇正文中没有给出可复述的数值。

基座模型 × 微调： 基座模型负责提供一个已能发声的起点，解决毛利语没有现成基础语音可用的问题，微调负责用高质量毛利语和新西兰英语录音把发音和韵律拉向目标说话人；两者搭配的原因是从零训练需要数十小时而直接套用他语言引擎会失真，组合意义是用语音相似语言做起点再以本族语数据纠正，从而降低数据量需求。

对研究生而言，这意味着不能从模型名称推定实现。本文没有说冻结了哪些层，没有给出损失函数形式，也没有报告训练步数和硬件预算，因此不能写梯度如何流动、何时重置、哪部分参数更新。能复述的是监督来源。监督来自人工整理后的文本与对应录音组成的平行语料，加上专家质检后的通过标记。失败模式驱动下一轮数据补充，例如发现数字和缩写读不好就补录数字和缩写，而不是只调模型。预处理和后处理特征也会调整，并对音频做进一步制作。

需要纠正一个常见误解。微调起点省数据不等于不需要数据。原文明确说起点语言有多处差异，需要收集足够数据才能成功。本文最终数据量证明了这一点，远超通用微调下限。若复现时只准备极短录音，大概率覆盖不了毛利语全部音素和双语场景，这是论文用实际规模提醒的边界。

录音数据和基准数据是如何构成和划分的？

数据构成要分清训练录音和基准测试句，它们用途不同，不能混用。训练录音是发音人按整理后句子朗读的音频，基准是固定不变、用来对比模型前后版本的测试句。论文没有给出训练集、验证集、测试集的切分比例和采样率等底层配置，这是缺项，复现时需自行记录并报告，不能编造。

先看训练录音从小到大如何积累。下表的问题是实际收集了多少小时，男女声和双语各占多少，公平条件是同一组织、同一质检标准下的朗读录音，指标方向是覆盖越全越好而非单纯时长越大越好。

这张表显示起点是约 6 小时电台录音室录音加约 30 分钟电台访谈转写，后者用毛利语语音识别转写以保证一致性和准确度。最终规模是男声约 24 小时，其中毛利语近 11 小时、英语超 13 小时，女声超 8 小时，其中毛利语超 3 小时、英语近 5 小时。表后需要强调代价。规模增长不是 1 次录完，而是每轮训练发现缺口就补录，例如数字、缩写和特定语境如健康场景。英语录这么多是因为目标是毛利语优先兼顾新西兰英语，为将来双语语音准备，但本文第一步仍是毛利语单语语音。

语码切换 × 双语基准： 语码切换负责描述一句话内毛利语和英语自然混用的真实用法，双语基准负责提供固定的一百句混合句子让每次模型迭代可比；两者搭配的原因是日常广播、交通播报和地名本就混用，单语测试测不出切换处的别扭，组合意义是把混用现象固定为可重复的检查项，使失败模式可以定位到具体句子。

再看基准构成。毛利语基准九十句，目标是覆盖毛利语词汇所有可能语音，其中一些音非常罕见，整个语言里只有几个词使用，其中不少是专有名词。即使训练集因罕见而没包含，基准也要测合成器能否发出。双语基准一百句，因真正毛利语英语语码切换例子很少，专家从档案中一段讨论毛利习俗的会议录音转写里挑选，覆盖两语语音范围。基准报告包含目标句、当前模型音频和新迭代音频，专家按发音、音高、韵律、语调、节奏、清晰度和自然度评估，并结合对整理数据的熟悉度指出问题可能出在哪里，再与数据科学家共同制定补数据或调前后处理的计划。

主结果是什么，专家听到了哪些具体变化？

论文报告的主结果是定性结果，没有给出自动分数表格。语言专家在每轮模型训练后听合成输出，判断是否体现毛利语母语者声音，其次才是自然的新西兰英语声音。早期模型的问题包括语速和音质，以及明显的语言失败模式。例如早期输出是连在一起但机械感重、像切块拼起来的声音，后期模型更接近母语者的流利度。这是支持少而精路线的主要证据，但表达必须用支持而非证明，因为评估是主观的。

词错误率 × 主观听辨： 词错误率负责用数字衡量语音识别转写对错，主观听辨负责由语言专家听合成语音的发音、语调、清晰度和自然度；两者搭配的原因是合成好坏没有像识别那样的唯一客观分数，通用标准也不符合毛利语母语者期待，组合意义是本研究明确把专家听辨作为主要评估，把基准报告作为组织改进计划的依据。

另一个被报告的稳定失败是专有名词。专家对此不意外，因为不可能建一个覆盖毛利语全部专有名词的数据集，这也是毛利语和土著语言语音识别中长期存在的问题。这是一个未胜出项，必须保留，不能只讲流利度进步。它说明即使覆盖了全部音素，开放词汇的专有名词仍会出错，复现时若只测常用句会高估效果。

论文还报告了流程改进带来的可比性收益。最初用组织数据里随意挑句或临时想句去合成，不同版本之间难以判断。有了固定基准后，才能逐句按标准听辨，并把问题归因到训练数据缺口或前后处理。这是方法上的结果，不是模型分数，但对复制工作很有用。需要指出未测量项。

论文没有报告误判率、延迟、推理开销和输出帧率，因此不能承诺这些量得到改善，也不能把总体变好理解为每句都变好。最终结论说高质量毛利语语音优于任何其他现有替代，但这是基于专家和长辈指导的主观判断，原文自己也承认主观性。

如果去掉细致整理和补录，哪些失败会留下来？

论文没有做去掉某模块重训的消融表，因此不能编造对照数字。本节只能按证据讲失败条件和针对性补救。第一个失败条件是文本不干净。若保留自动转换错误、缺长音符号、专有名词未经核实，错误会直接进入合成输出。对应的动作是专家逐句审校、统一正字法、向长辈核实专有名词、删除过短碎片、控制句长和节奏。

第二个失败条件是录音与文本不对齐。若录音被提前截断、音量太小或读错，模型会学到错误对应。对应的动作是专家逐个录音对照文本听，标记为通过、重录、修复或改文本以匹配录音，其中改文本保留原意但提升清晰度，比重录更省事。

第 3 个失败条件是场景覆盖不全。若训练句缺数字、缩写或特定语境，模型在这些句上就会暴露。对应的动作是针对性补录，而不是笼统加时长。早期男声录音更常返工，因为流程刚开始不熟悉，后来越顺，需要修复越少，这说明流程熟练度本身影响数据质量。制作环节也参与改进，制作人与发音人合作抓每句最强版本，有时多遍录制，男声后来换到与女声同一录音室和同一制作人后，效率和质量都提升。

从反证角度看，通用经验值和最终规模放在一起就是一种对照。通用微调下限是 30 分钟到 1 小时量级，本文实际用了三十多小时仍在补专有名词和场景，说明起点语言差异和开放词汇使下限不适用。若有人想用更少数据复制，必须先说明如何覆盖罕见音和专有名词，否则不能期待同样听感。

有哪些明确局限，哪些量还没有验证？

论文用一节集中讲局限，复制前必须读透。第一，起点语言难找。毛利语独特性使合适基座少，西班牙语虽覆盖大部分音素但在元音长短和颤音等特征上有差异，因此仍需不少本族语数据。第二，人力依赖重。整理、录制和评估都需要懂语言且理解伦理含义的人，作者是有意在内部雇佣相关技能者而非外包，这对别人可能是门槛，但作者认为这是保证质量和文化完整的关键。

第三，评估主观。高质量的判断来自语言专家和长辈指导，土著专业知识在人工智能领域常被忽视，但本文坚持专家判断最重要。

直到最近才有基准，之前是整体听辨，现在才能逐句按标准打分，但最合适评估者是谁、如何收集社区和公众反馈，还需进一步讨论。第四，缺乏情感变化。这是有意选择，先做稳健基座语音，毛利语情感识别技术尚不存在，相关工作正在进行，未来才可能让声音更好传情。第五，偏置无法消除。组织承认工作带有利于本语言社区的偏置，例如发音人虽与新西兰某一地区社区有谱系联系，但被要求使用更通用的毛利语口音，靠其发声经验和语言知识做到，未来可按地区口音再迭代。

未验证项也要列清。没有定量主结果表，没有统计显著性，没有训练和推理成本，没有延迟和部署功耗，没有误判率分解。资源状态方面，本次收到的证据中没有完成验证的开源声明，不得声称代码、模型或数据已公开。复现时应把可运行性分开写，代码是否可见、权重能否下载、系统能否端到端运行是三回事，本文只给流程框架，不提供可下载工件的承诺。

要复制这套流程，第一步先做什么，需要补哪些验证？

复制顺序应按学习依赖，先做授权和人，再做文本和声音，最后做基准。第一步是确定声音归属和授权链。找到达到高级熟练、与社区有谱系联系、有发声经验且愿意全程参与决策的发音人，获得本人直接同意。文本必须逐份获得作者或家属许可，只用明确授权的数据，并建立与长辈核实专有名词的通道。这是数据主权的落地动作，不能后补。

第二步是搭整理流水线。把各种格式文本汇总到电子表格，按标点自动切分后人工逐句审校，统一长音符号，修正切词和标点错误，删除过短碎片，控制句长和节奏，转到每页一句的演示文稿录制，录前再做 1 次专家复查。每一步的输出都要可回查，以便质检时定位是文本错还是录音错。

第三步是录制与质检闭环。选择懂语言、懂语气语调的制作人，固定录音室和流程，逐句多遍取最优。录完后专家对照文本逐个听，分为通过、重录、修复或改文本对齐录音，通过的才批量交给数据科学做训练。每轮训练后用固定基准生成新旧对照报告，按发音、韵律、清晰度和自然度定位失败，再补录数字、缩写和缺场景句。

还需补的验证有三项。一是公开逐句评估标准和打分细则，使别人能重复听辨。二是报告数据划分、采样、聚合口径和硬件预算，使成本可估算。三是收集社区听众的盲听反馈，检验专家判断与公众感知的差距。只有补上这些，才能把高质量从组织内共识变成可外部核查的结论。

何时值得尝试这条少而精路线，如何一句话记住它？

当你的语言没有现成基础语音、通用引擎发音不可懂、真实用法混用两种语言，且社区对声音归属敏感时，值得尝试本文路线。它的核心不是调参技巧，而是把授权、母语者音色、逐句清洗、固定录音室、专家听辨和固定基准连成闭环，用三十多小时的高质量双语录音先做出毛利语优先的基座，再向双语切换扩展。

记住它可以用一句话。先保证每个句子都得到授权、每个录音都被母语者听过，再谈模型。论文的启示是把数据质量放在数据规模之前，把文化完整放在自动分数之前。对刚入门的研究生，复述方法时应能说清 3 个数量的含义。从零训练通用指南是数十小时量级，微调下限是 30 分钟到 1 小时量级，本文实际男声约 24 小时加女声超 8 小时。

基准是毛利语九十句覆盖全部音素，双语一百句覆盖切换。起点是西班牙语因音素覆盖相近但仍有差异，所以仍需足够本族语数据。

局限是评估主观、人力密集、无情感、专有名词仍难、地区口音只做了通用版。若能在复现中补上评估细则、成本记录和社区盲听，就把这篇经验性论文变成了可核查的工程方案。

⚖️ 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