拉丁拼写不等于英语发音：为坦库尔语和马林语从零建库并训练字符级 TTS

英文题目：Scalable Neural TTS for Latin-Script Low-Resource Languages of Manipur

会议身份：conference:interspeech:2026:conference-paper-id:pangsatabam26_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 #数据集构建 #低资源 #语音 #文本到语音

评分：5.5/10 | 创新 1.0/2 | 技术严谨 1.0/1.5 | 实验充分 0.9/1.5 | 清晰度 0.6/1 | 影响力 0.7/1.5 | 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

• Hoomexsun Pangsatabam：机构信息未能从会议 PDF 纯文本可靠映射
• Khumanthem Chanchanbi：机构信息未能从会议 PDF 纯文本可靠映射
• Kansham Tungran Maring：机构信息未能从会议 PDF 纯文本可靠映射
• Yambem Jina Chanu：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

本文针对拉丁书写藏缅语坦库尔语（Tangkhul）与马林语（Maring）缺乏文本到语音（Text-to-Speech，TTS）语料的问题，输入为带变音符号的拉丁扩展字符文本，输出为自然语音波形，难点在于音系复杂且声调丰富、方言未标准化、正字法不统一且无现成音频。方法链分为四步：先以学生教材标准方言为基准、辅以故事书、诗集和圣经译本构建文本并由母语者校对剔除不当内容，再在低噪声录音室采集两名女性母语者单说话人朗读，接着用基于能量的语音活动检测（Voice Activity Detection，VAD）切分并做响度归一化与人工对齐质检，最后用字符级声学模型生成梅尔谱并由声码器合成波形。与英语预训练模型直接复用相比，该链条保留了声调与特殊元音的正字法区分，因而更适配目标音系。在每种语言250句评估集上非自回归模型配神经声码器取得梅尔倒谱失真度（Mel-Cepstral Distortion，MCD）约8.3与盲测平均意见分（Mean Opinion Score，MOS）3.06-3.51，明显优于Griffin-Lim基线。结论仅适用于录音室单说话人朗读场景，方言差异与变音符号拆分错误仍会导致可懂度下降。原文未披露训练时长、推理延迟或部署成本。

🔗 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？为什么曼尼普尔丘陵语言做 TTS 特别难？

这篇论文的输入是拉丁拼写的坦库尔语和马林语书面文本，目标是输出对应语言的自然语音。对象是印度曼尼普尔邦的两个藏缅语族部落语言。论文报告坦库尔语使用者约 178,000 人，马林语使用者约 26,000 人且属于濒危语言。难点不在模型本身，而在起点条件。第一，这些语言没有原生文字，殖民时代以来借用拉丁字母记录，但 26 个基本字母不够表达丰富的辅音、元音对立和声调，于是加入变音符号和特殊字符，不同出版物拼写并不统一。

第二，方言多而标准晚。坦库尔语以乌克鲁尔总部使用的教科书方言为标准，马林语直到近年才随新教科书形成标准方言。第三，可用语料少。已有印度语 TTS 资源如 IndicTTS 和 IndicVoices-R 覆盖 13 种语言或梅泰语等，但不覆盖这两个丘陵部落语言，东北印度语料又多面向语音识别而非语音合成。 对刚入门的读者，白话解释是：语音合成先把文字变成中间声学表示，再把声学表示变成波形。

如果文字本身拼写摇摆、声调靠附加符号区分，而录音又只有零散长音频，模型就学不到稳定的文字到声音映射。论文要解决的正是先做出可训练的干净单说话人库，再验证现有主流结构能否在约 10 小时量级上跑通。因此后文所有方法都围绕两件事：如何把长录音变成长度合适的带标注短句，如何在字符级输入下比较自回归与非自回归路线的优劣。

需要保留的关键信息是两种语言的最终时长、单说话人设定、标准方言选择和字符级建模，这些决定了结果的可比范围。

已有路线走到哪里？为什么还要做单语基线？

论文把相关工作分成模型与数据两条线。模型线上，自回归模型的代表是 Tacotron 2，非自回归模型的代表是 FastSpeech 2。Tacotron 2 已用于马来语、卡纳达语、梵语、旁遮普语和乌尔都语，有的从零训练，有的做迁移学习。FastSpeech 2 曾训练于阿拉伯语数据。论文明确指出，此前没有工作处理曼尼普尔拉丁拼写部落语言，也没有提供可复用于类似藏缅语场景的流水线。

数据线上，IndicTTS 每种语言约 10 小时，IndicVoices-R 包含梅泰语等多说话人数据，但都不包含坦库尔纳加语和马林语。换句话说，主流印度语资源帮不上这两个语言，语音识别用的东北语料也不能直接拿来做合成。 教学上要区分同输入同目标的对照与跨类别借鉴。Tacotron 2 与 FastSpeech 2 属于同任务同监督下的可比架构，一个逐帧依赖历史，一个并行预测加显式时长音高，比较的是建模机制。而英语预训练模型属于不同语言与不同音系的借用，不能当作同条件基线。

论文用英语模型验证的结论是：同样是拉丁字母，英语训练的 TTS 在坦库尔语和马林语上失败，因为正字法与语音分歧大，声调在英语中只体现为重音而非辨义声调。这支持了论文坚持从零构建单语库的理由：先有可训练的单语基线，才能谈多语共享音素空间或零样本迁移。论文未报告代码、模型或数据已公开，本次也未能确认可达，因此学习时把重点放在可复述的流程与参数，而非假设能下载权重。

要回答的具体问题是什么？成功标准如何定？

论文把大目标拆成 3 个可检验问题。第一，能否用教科书、故事书、诗歌与圣经译本建成可训练的单说话人 TTS 库，并把原始长录音自动切成 2 秒到 8 秒的短句。第二，在约 10 小时量级上，字符级 Tacotron 2 与 FastSpeech 2 分别搭配传统 Griffin-Lim 与神经 StyleMelGAN 声码器，哪种组合在客观频谱误差与母语者主观评分上更好。第三，拉丁拼写相同是否意味着可以跨语言复用，方言与声调会带来什么可观察的失败。 成功标准分两层。

客观层用梅尔倒谱失真和基频均方根误差衡量频谱与音高重建，数值越低越好。主观层用平均意见分衡量整体、可见文本条件下的得分、可懂度与自然度，数值越高越好。论文特别说明，可懂度用打分方式近似，因为这两个语言没有可用的自动语音识别系统。评分者均为该语言母语者。需要记住的边界是：客观好不等于主观好，盲测与给文本后重测的分数含义不同，方言不一致的评分者会拉低可懂度。

这些条件直接影响后文对数字的解读。

从教科书到可训练语料：全流程如何走通？

论文选择重新录制而非清洗现成广播或识别数据，理由是这两个语言没有可用现成数据。文本先行，录音跟上，切分与标注随后。文本主要来自学生教科书，其次是故事书、诗歌与圣经译本，教科书方言被定为标准。母语标注者负责挑出拼写错误与不适宜录制的内容。坦库尔语的特殊处理是字母 a 有 3 种表示不同音位的变体，包含上横杠与下横杠形式，下横杠形式由两个字符组成，这为后文字符级建模埋下对齐隐患。

录音在低环境噪声录音室完成。设备统一为 Tascam DR-05X 立体声录音机，实际以单声道 48 千赫兹录制。说话人为 2 名女性母语者，坦库尔语 23 岁，熟悉教科书且会说乌克鲁尔标准方言，马林语 24 岁，能流利说新教科书标准方言。每天最多录 2 小时并安排短暂休息，要求自然朗读优先于逐词精确发音，读错则纠正后重录，后期再做音频处理。 切分与响度处理是自动流水线。

先用语音活动检测按能量阈值找静音，再按最小最大时长合并相邻片段，避免切出过短而不可懂的碎片。切好后重采样到 22050 赫兹，再按响度单位做归一化并加防削波限制，保留头部空间。随后母语者做同步标注与质检，包括拼接相邻音频以更贴合标准发音，以及把缩写与数字展开为朗读形式。质检者与标注者为同一批母语者。

语音活动检测 × 响度归一化： 语音活动检测分工是按能量阈值找出静音并给出可切分时间戳，解决长录音如何断句；响度归一化分工是按 LUFS 把切好片段调到一致响度并做防削波限制，解决不同次录制音量不一致；搭配原因是先切分后调音量才能避免对整段长音频统一增益带来的忽大忽小，组合意义是形成可复用的自动预处理流水线。

以下导读帮你读懂流水线全图。该图右侧展示了标注与质检闭环，左侧展示了响度归一化链路，需结合正文理解切分发生在归一化之前。

看图路径： 1. 先从左侧响度归一化框追踪 Apply Peak Limiter 到 Normalized Segments 的纵向箭头；2. 再看右侧 Manual Annotation 框内 ANNOTATOR 到 Annotated Transcripts 再到 Quality Control 的折线；3. 确认两路汇入 Quality Control 后向下输出 Final TTS Corpus 的主路径；4. 注意图中可见部分被裁剪，需结合正文补全 VAD 切分在归一化之前

论文图 1。原论文 Figure 1：“Pipeline showing Dataset Construction from raw audio recordings.”。

从像素可见，右侧大框标题为人工标注，框内绿色圆圈为标注者，指向黄色柱体的已标注文本，再折线进入质量控制模块，最终向下输出最终 TTS 语料库。左侧橙色链路可见测量响度、计算增益、应用增益等步骤，汇入归一化片段存储。归一化片段同时送往标注者与质量控制，说明音频与文本两路在此汇合。被裁剪的左侧部分对应正文所述语音活动检测与切分，阅读时不要误以为流程只做音量调整。这一结构支持论文声称的可扩展性：换一种同类语言，只需替换文本与录音，重复检测、切分、归一化、标注 4 步即可。

声学模型与声码器各自算什么？如何搭配？

论文的合成拆成两步。第一步由声学模型把字符序列变成梅尔频谱图，第二步由声码器把梅尔频谱图变成波形。先沿一个样本走完全程。输入是一句拉丁拼写文本，例如评估集中 19 词 132 字符的坦库尔语句。字符先被编码为向量序列，声学模型输出多帧梅尔频谱，声码器再逐点生成波形采样。

监督来源是录音对应的真实梅尔谱与基频，损失比较预测与真实的差距。 Tacotron 2 是自回归路线。编码器加解码器结构，解码器输入端有预处理网络，迫使解码器不过度依赖上 1 帧精确细节，解码器后有后处理网络细化梅尔谱，另有位置敏感注意力与有向注意力损失帮助维持单调对齐。FastSpeech 2 是非自回归路线。用前馈 Transformer 并行预测全部帧，靠时长预测器决定每个字符对应多少帧，靠基频预测器建模音高，避免自回归的曝光偏差。

论文指出时长与音高预测器更兼容声调语言，这是后文解释 FastSpeech 2 占优的机制依据。声码器对比传统 Griffin-Lim 与 StyleMelGAN，后者是高效对抗声码器，用全局风格向量保留韵律多样性与方言音色。

自回归 × 非自回归： 自回归指 Tacotron 2 逐帧生成梅尔谱并把上 1 帧作为下 1 帧输入，分工是靠位置敏感注意力维持文本到语音的顺序；非自回归指 FastSpeech 2 用前馈 Transformer 一次性并行预测全部梅尔帧，分工是靠时长预测器和基频预测器显式给出每字符持续多久和音高多高；二者搭配比较的理由是低资源声调语言既需要稳定对齐又需要显式音高控制，组合意义是论文用同一语料对比哪种机制更兼容声调节奏。

梅尔频谱图 × 声码器： 梅尔频谱图是声学模型的中间表示，分工是把字符序列映射为压缩的时频能量包；声码器分工是把该能量包还原为可听波形；搭配理由是文本到波形直接建模数据需求大，拆成两步可分别优化，组合意义是论文固定比较 Griffin-Lim 与 StyleMelGAN，说明神经声码器对重建质量的提升独立于声学模型选择。

需要提醒的是，论文未给出学习率、优化器细节与损失权重，也未说明哪些参数冻结或更新，因此不能从模型名称推定具体实现。复述时只讲论文明确的结构分工与搭配理由：自回归靠注意力维持顺序，非自回归靠显式时长音高建模声调，声码器决定波形重建上限。

训练与划分如何执行？硬件与迭代条件是什么？

论文使用 ESPnet 工具包在单台工作站上训练。硬件为 16 GB 显存的 NVIDIA Quadro RTX 5000，软件为 CUDA 12.6 与 PyTorch 2.6.0。数据划分是每种语言各留 250 句做开发集、250 句做评估集，其余全部用于训练。模型规模与迭代次数有明确报告：Tacotron 2 参数量 15.32M，模型大小 61.27 MB，训练 100K 步；FastSpeech 2 参数量 37.10M，模型大小 148.41 MB，训练 320K 步。

尽管 FastSpeech 2 参数更多，论文指出其并行结构允许更短的单步训练时间。 训练目标是最小化预测梅尔谱与真实梅尔谱的差距，FastSpeech 2 还包括均方误差与时长损失。论文未报告批量大小、学习率调度、梯度裁剪或早停规则，也未说明是否使用英语预训练权重做初始化，因此应理解为单语从零训练的基线。评估时客观指标用 ESPnet 默认实现计算，主观评测另请母语者多轮打分。

论文还用在 LJ Speech 上训练的英语 TTS 模型做验证性试听，以检验跨语言复用的失败，这部分属于定性反证而非同条件基线比较。缺失的超参数是复现时需补的第一项验证，不应自行假设。

如果要复跑训练，先准备什么计算与数据动作？

复跑前先做 3 个动作。第一，按论文文本来源准备标准方言文本，优先教科书，其次故事与圣经译本，由母语者剔除不适宜内容并统一变音符号写法。第二，用同一录音设备以 48 千赫兹单声道录制，每天不超 2 小时，要求自然语速，误读重录。第三，跑自动切分与响度归一化，再做人工标注与质检，把缩写数字展开，拼接不自然的切点。 计算侧需准备 ESPnet 环境与 16 GB 显存显卡，按论文迭代步数训练两种声学模型，再分别接两种声码器生成波形。

注意论文未公开代码与权重链接，本次未能确认可达，因此复现的第一步是按参数重写切分脚本，而非寻找下载。训练时固定随机种子并记录开发集损失，评估时同时计算客观误差与母语者打分，避免只看频谱误差。论文未给出的学习率与批量大小需自行网格搜索并报告，不能默认复现即得相同分数。

测什么、和谁比、条件是否一致？

实验按 4 个问题组织。第一，语料是否可用，比较原始录制时长与处理后时长，划分是否固定。第二，声学模型与声码器组合的效果，比较 Tacotron 2 加 Griffin-Lim、Tacotron 2 加 StyleMelGAN、FastSpeech 2 加 Griffin-Lim、FastSpeech 2 加 StyleMelGAN 4 种可运行组合，两种语言分别报告。第三，声调与正字法的影响，通过注意力图与错误案例分析字符级建模的失败。第四，方言与跨语言复用的边界，通过英语模型失败与马林语评分者方言差异说明。

公平条件是同一语言内部 4 种组合共享同一划分与同一评估集，客观指标同一实现，主观评分者均为母语者。指标方向是梅尔倒谱失真与基频均方根误差越低越好，盲测平均意见分、可见文本平均意见分、可懂度与自然度越高越好。论文强调语音技术评估是上下文敏感的，报告评分用语与量表是最低要求。

梅尔倒谱失真 × 平均意见分： 梅尔倒谱失真分工是用倒谱距离客观衡量频谱重建误差，越低越好；平均意见分分工是由母语者打分主观衡量自然度与可懂度，越高越好；搭配理由是客观指标可复现但不等于人耳感受，主观指标直接但受方言和评分条件影响，组合意义是论文同时报告两类指标以避免只看频谱误差就断言合成可用。

成本方面，论文只报告硬件型号与迭代步数，未报告训练时长、推理延迟与实时率，因此不能承诺实时部署收益。数据侧的特有细节是录音采样率与目标采样率的转换，以及响度归一化的目标值，这些决定了可比性。另一特有细节是坦库尔语变音符号的字符构成，直接影响对齐稳定性，需在结果节结合注意力图复核。

数据规模与切分参数如何保证可比？

数据侧的比较问题是原始长录音经处理后保留多少可训练语音，以及开发与评估划分是否固定。表中对比两种语言处理前后时长与划分规模，单位保留原文小时与句数。

表后解释是：两种语言分别舍去约 2.5 小时静音、误读与过短碎片，保留约 9 到 11 小时，达到与 IndicTTS 每语种约 10 小时相当的量级。开发与评估各 250 句的固定划分使 4 种模型组合在同一评估集上可比。

代价是单说话人单方言，结论不能直接推广到多说话人与多方言。论文未报告每句平均时长分布与文本词表覆盖，因此不能判断长尾词的可懂边界。切分参数方面，静音阈值负 40 分贝，最小静音 0.50 秒，首尾保留 0.05 秒与 0.10 秒，片段长度限制 2.0 秒到 8.0 秒，相邻间隔 0.2 秒到 0.7 秒。响度目标为单声道负 19 LUFS 与立体声负 16 LUFS 的描述与参数表目标负 16.0 LUFS 并存，真峰限制负 1.0 分贝，重采样 22050 赫兹。复现时应以参数表为准并记录实际采用的单声道目标，未明确处需补验证。

主结果显示什么？哪种组合在什么指标上胜出？

先看坦库尔语的比较问题：在同一评估集上，非自回归加神经声码器是否同时改善客观与主观。表中四行共享同一语言与同一划分，指标方向为前两列越低越好、后四列越高越好。

表后解释是：神经声码器带来最大幅度的客观改善，坦库尔语梅尔倒谱失真从约 11.6 到 11.8 降至约 8.26 到 8.45，降幅约 29%。在同一声码器下 FastSpeech 2 略优于 Tacotron 2，神经声码器下领先 0.19。

主观盲测最高为 FastSpeech 2 加 StyleMelGAN 的 3.06 分，可见文本条件下升至 3.84 分。未胜出项是 Tacotron 2 加 Griffin-Lim，盲测仅 2.17 分，说明传统声码器是瓶颈。基频误差 4 组差异小，约 0.19 到 0.21，表明该指标在此未拉开差距。 以下导读帮你读懂坦库尔语注意力证据。该图为评估集随机 7 秒音频的 Tacotron 2 注意力，文本为 19 词 132 字符，需观察对角线是否连续。

看图路径： 1. 先确认横轴为 Input 字符位置、纵轴为 Output 梅尔帧，两幅子图均为对角线注意力；2. 再观察中后段约输入 80 到 95 位置附近的加粗与小分叉；3. 比较左右两幅子图在同一文本下分叉位置是否重复出现

论文图 2。原论文 Figure 2：“Attention plots of a random Tangkhul audio file from the evaluation set having a duration of 7 seconds synthesized using Tacotron 2 from text having 19 words (132 characters)”。

从像素可见，两幅子图横轴为输入字符位置约 0 到 132，纵轴为输出帧约 0 到 700，亮线基本沿对角线从左上到右下，说明整体对齐单调。但在输入约 80 到 95、输出约 420 到 560 区间出现加粗与小分叉，正文将其归因于带下横杠的 a 被拆成两个字符，单独的横杠被当作非静音字符，偶发不可懂。这一局部失败支持字符级建模在变音符号上的脆弱性，也解释了为何 FastSpeech 2 的显式时长建模更稳定。

换声码器与换架构各自带来多少？马林语有何不同？

马林语的比较问题与坦库尔语相同，但需注意方言标准晚带来的评分偏移。表中条件与指标方向与上表一致，数值来自同一论文表。

表后解释是：声码器效应依然最大，马林语从约 11.45 与 10.65 降至约 8.89 与 8.31，降幅超 25%。架构效应在神经声码器下为 0.58，FastSpeech 2 优于 Tacotron 2。主观上 FastSpeech 2 加 StyleMelGAN 盲测 3.51 分、可见文本 4.00 分，为全表最高。

反例是自然度列中 FastSpeech 2 加 Griffin-Lim 仅 2.04 分，低于同架构盲测，说明传统声码器拖累听感。基频误差最低的是 Tacotron 2 加 StyleMelGAN 的变体区间，但论文正文对该指标的文字描述与表格数字存在口径冲突，复述时以表格数字为准，不自行调和。 以下导读帮你读懂马林语长句注意力。该图为评估集随机 15 秒音频，文本为 20 词 164 字符，需关注长句多停顿处的阶梯。

看图路径： 1. 先确认横轴输入扩展到约 164 字符、纵轴输出扩展到约 1350 帧的长句对齐；2. 再沿对角线寻找多处阶梯状停顿，对应声调或长停顿处的时长拉长；3. 比较左右两头注意力线宽变化，判断长句是否存在局部模糊

论文图 3。原论文 Figure 3：“Attention plots of a random Maring audio file from the evaluation set having a duration of 15 seconds synthesized using Tacotron 2 from text having 20 words (164 characters)”。

从像素可见，两幅子图横轴约 0 到 164，纵轴约 0 到 1350，对角线整体单调但有多处短横阶梯与加粗点，符合长句中停顿与声调拉长时长的预期。正文报告马林语合成难懂主因是评分者方言与录制标准方言不同，给出文本后可懂度回升。这说明主观分数包含方言可懂性，而非纯声学质量。论文还报告马林语数据集质量使基频误差整体低于坦库尔语约 0.5 个单位，但该比较跨语言且说话人不同，只能作为有限解释，不能推为因果。

哪些结论站得住？哪些还只是推测？

论文直接报告的是：约 10 小时单说话人库可训练出可懂的字符级基线，神经声码器显著降低梅尔倒谱失真，FastSpeech 2 在两语上均略优于 Tacotron 2，英语模型因声调与正字法分歧而失败。这些有表格数字与试听支持。有限解释的是：FastSpeech 2 的时长与音高预测器更兼容声调语言，数据集质量差异导致马林语基频误差更低。这些与机制吻合但未做消融分离声码器与数据质量的影响，应表述为支持而非证明。待验证的是：共享音素空间可扩展到更多同语系语言，实时部署可推广技术。这些未测量延迟、成本与跨语言得分，不能承诺改善。

字符级建模 × 声调： 字符级建模分工是把拉丁字母直接作为输入单位，省去音素词典；声调分工是靠基频高低与时长区分词义；搭配的困难是坦库尔语带横杠的 a 涉及多字符组合，一个附加符号若被当作独立静音或非静音字符就会打乱对齐，组合意义是解释为何同为拉丁拼写、英语预训练模型仍无法直接迁移，以及为何需要显式音高与时长建模。

特有误解需要澄清。第一，拉丁字母相同不等于发音相同，声调语言的附加符号是辨义单位，不能按英语发音套读。第二，客观误差低不等于人觉得自然，马林语方言差异会压低盲测可懂度，给文本后回升恰好证明评分条件的影响。第三，单点最高分不等于全程最优，注意力分叉只出现在特定字符组合，长句阶梯只出现在停顿处，总体趋势不能推广到每个音节。

复现清单：按什么顺序检查才能对上论文条件？

按学习依赖顺序检查。先核对语言与方言：是否为教科书标准方言，变音符号是否统一编码，避免把组合字符拆成两字符输入。次核对音频：是否为单说话人、48 千赫兹录制、22050 赫兹训练、片段 2 秒到 8 秒、响度与真峰限制是否记录。再次核对划分：是否严格留出各 250 句开发与评估，其余训练，评估文本是否与训练不重叠。然后核对模型：是否为字符级输入，Tacotron 2 是否含位置敏感注意力与后处理网络，FastSpeech 2 是否报告时长与基频损失，声码器是否为 Griffin-Lim 与 StyleMelGAN 两档。

最后核对评估：客观是否用同一实现，主观是否为母语者盲测与可见文本两轮，是否分别报告可懂度与自然度。 信息条件方面，论文给出硬件、工具包版本、模型大小与迭代步数，但未给出学习率、批量大小与训练时长，也未提供可下载的数据与权重。因此复现先做流水线重写与小规模试跑，再补超参数搜索。任何跨语言复用的尝试都应先做音系对照，确认声调与变音符号的映射，而非直接套用英语模型。

何时值得尝试这条路线？下一步补什么验证？

当目标是无原生文字、借用拉丁拼写的低资源声调语言，且能找到标准方言母语者做约 10 小时录制与质检时，这条先建库后训单语基线的路线值得尝试。优先选 FastSpeech 2 加神经声码器作为起点，因为它在两语的客观与主观上同时占优，且显式时长有助于处理声调拉长。若只能做小规模验证，可先复现切分与归一化流水线，用少量标注检验片段长度分布与响度一致性，再决定是否全量训练。 还需补三项验证。

第一，补变音符号的规范化消融，比较组合字符作为单字符与双字符输入时的对齐稳定性与可懂度。第二，补方言对照评测，邀请同方言与异方言评分者分别打分，分离声学质量与方言可懂性。第三，补成本与延迟测量，报告训练时长、推理实时率与显存占用，才能判断是否可部署。完成这些后，再考虑多语言共享音素空间或零样本扩展，避免在单方言单说话人结论上过度推广。

⚖️ 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