韩语字音转换错一个音，为何会拖慢整个语音合成训练：一个形态感知规则引擎的验证

英文题目：Uncovering the Impact of G2P Precision on Korean TTS: A Large-Scale Statistical Validation via a Novel Morphological Engine

会议身份：conference:interspeech:2026:conference-paper-id:you26_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：#统计分析 #语音学与音系 #语音 #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 1.0/1.5 | 清晰度 0.7/1 | 影响力 0.8/1.5 | 开源 0.0/1.5 | 可复现 0.1/0.5 | 工程/实践 1.0/1.5

排名：前50% | 文档类型：方法研究

👥 作者与机构

• Heejo You：机构信息未能从会议 PDF 纯文本可靠映射
• Sungwoo Moon：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

韩语语音合成以字形文本为输入、音素序列为输出供声学模型学习对齐，难点在于音变深度依赖形态边界且一次变化会触发级联连锁反应，宽松耦合的开源g2pk难以兼顾精度与速度并向训练引入标签噪声。新引擎先用Kiwi形态分析构建句子到语节再到音节与语素的分层指针结构，使每个音节可直接查询形态边界，输出结构化表征进入规则引擎。规则引擎再按优先级顺序扫描音系规则，命中后回跳至语节首音节递归重估，将上一步改写作为下一步触发条件以模拟同化链式反应。同时规则专用孤立词典按词源隔离处理汉字词与固有词例外，并与规则重估结果合并为最终音素序列。与仅浅层引用形态结果的g2pk不同，该设计把形态信息内化为可寻址结构并显式建模规则级联，可解释且可定点修复。在925句KSS语料专家校验评测设置下，新引擎的准确率为85.7%，高于g2pk的准确率27.2%。该结论适用边界受限于标准朗读体与正确形态切分，同形异义等尚未验证。结论仅在标准韩语朗读体与Kiwi切分正确范围内成立，同形异义与新词空格错误仍会导致级联误用。原文未披露训练推理部署成本与代码模型数据发布。

🔗 开源与复现资源

• 第三方资源：https://github.com/bab2min/Kiwi — 链接可访问（HTTP 200）
• 第三方资源：https://github.com/Kyubyong/g2pk — 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

语音合成为什么要先把文字转成发音？

现代端到端语音合成的输入是文字，输出是波形或频谱，模型要在训练中学会文字与声音的对齐关系。如果直接输入字形，模型既要学发音规则又要学声学实现，负担较重。实践中常用做法是先用字形到音素转换把文字转成发音序列，再把发音序列送入合成模型。白话说，字形到音素转换就是查出发音说明书，英文名为 grapheme-to-phoneme，缩写为 G2P。韩语的难点在于发音变化与语素边界深度纠缠，同一个字在词内部和词边界处的读法可能完全不同。

若说明书本身写错，合成模型拿到的就是错误的配对数据，论文把这种情形称为标签噪声。标签噪声不是随机抖动，而是系统性地告诉编码器错误的对应关系，会干扰注意力对齐并抬高训练难度。理解这一点是后续所有设计的前提：转换器的精度不是文本预处理的小问题，而是直接决定合成模型监督质量的关键环节。

对于刚入门的研究生，可以把流程想象成 3 步。第一步是输入韩语文本句子，第二步是转换器输出音素序列，第 3 步是合成模型根据音素序列生成语音。目标是让第二步输出与录音真实发音一致，从而让第 3 步只需专注于音色、韵律和声学细节。若第二步在词边界连音或不规则活用处出错，第 3 步即使声学建模再强，也会被迫拟合矛盾的输入输出对。本文研究的方法、实验和统计检验都围绕如何减少这类矛盾展开，后文将按任务路线、引擎结构、验证协议的顺序逐步拆解。

已有的韩语转换路线各自卡在哪里？

论文把韩语转换研究分为规则方法和神经网络方法两类，对照的输入、目标和运行阶段都相同，都是把韩语文本转为发音序列供合成使用。规则方法中较早的代表是 KoG2P，它按规则书顺序应用音韵规则，速度快但跳过形态分析，无法区分与形态边界相关的歧义。随后出现的 g2pk 引入了 mecab-ko 形态分析器，但论文指出其架构属于松耦合，只是把形态分析结果当作普通文本字符串参考，没有让音节与语素建立可直接访问的连接。

这种设计导致词边界连音和不规则活用处理不准，同时形态分析与规则应用之间的反复调用也带来延迟。一些 g2pk 分支主要修复程序错误和兼容性，没有解决架构层面的耦合问题。

神经转换路线试图绕开复杂规则，例如基于变换器的 NN-KoG2P 在速度和准确率上都有报道优势，但论文从可维护性角度提出两点担忧。第一，神经模型把转换当作黑盒，显式忽略形态信息，在未登录词或罕见组合上可能出现难以预测的灾难性错误，而规则系统可以通过修改特定规则做针对性修正。第二，神经模型的性能受训练数据质量约束，而高质量数据往往需要语言专家人工标注，或先用规则引擎生成初版再精修，这意味着规则引擎的精度是神经路线的前置条件。

另一条新路线是用大语言模型做同形异义词消歧，依赖上下文语义推理，但存在幻觉和计算成本极高的问题。若用比合成模型大数千倍的模型只做预处理，会形成计算不对称，不适合实时高效部署。论文因此选择继续改进规则引擎，并强调其定位是可解释的确定性基线，而非与大模型直接比拼语义理解。

g2pk 的慢与错具体指什么现象？

论文把 g2pk 的问题归纳为两个可测量的现象。慢是指在大规模数据预处理或实时服务中，转换耗时成为瓶颈。错是指形态信息只被浅层使用，导致词边界处的连音规则和不规则活用建模不准。例如同样包含某个字形，在语素内部与跨语素边界时应触发不同改写，若系统不能以低成本判断相邻两音节是否属于同一语素，就会在边界处系统性误判。这种误判进入合成训练后，就成为标签噪声。

字形到音素转换 × 标签噪声： 字形到音素转换负责把韩语文字转成实际发音序列，是语音合成编码器的直接输入；标签噪声指该输入序列与录音真实发音不一致，编码器被迫学习文字与声音矛盾的对应关系。论文把二者搭配的原因是：韩语音变规则强依赖形态边界，一旦转换器在边界处系统性出错，这种错误会以监督信号的形式进入每一批训练样本，因此提升转换精度就是直接减少标签噪声。

从学习依赖看，研究生应先分清两种错误代价。随机标注错误可能被大批量训练平均掉一部分，而与形态边界相关的系统性错误会在相似语境中反复出现，模型难以通过增加数据自行纠正。论文后续用 3 组合成模型的对照来验证这一点：不准确的音素输入并不比原始字形输入更好，这正是标签噪声假说的直接预测。明确问题后，方法部分需要回答如何让每个音节都能低成本拿到边界信息，以及如何处理 1 次音变触发另 1 次音变的级联现象。

新引擎如何走完从句子到发音的一次转换？

新引擎的总体安排是先做形态感知的结构化表示，再做带优先级的递归规则应用。输入是一句韩语文本，论文用 Kiwi 分析器将其解析为句子到语节到音节的层级。白话说，语节是按空格切分的大块，英文为 eojeol，音节是每个韩字块，语素是具有语法功能的最小单位，英文为 morpheme。每个音节对象保存初始字形和当前音素，并通过指针直接指向所属语素对象。输出是更新后的音素序列。

沿一个样本走一遍有助于理解：以学校是为例，句子先切出该语节，语节再展开为 3 个音节，同时形态分析给出学校名词语素和助词语素，3 个音节通过指针分别挂靠到对应语素上。规则引擎随后扫描这些音节，根据边界类型决定是否触发连音、紧音化等改写，最终收敛的音素序列即为转换结果。

下面这张结构图展示了上述层级与指针连接，是理解后文边界检测与规则触发的基础，请先看整体包含关系再看局部连线。

看图路径： 1. 先从顶部句子条带向下看，确认句子由语节和标点符号交替组成；2. 再看下方语节放大框，左侧三格音节与右侧两格语素之间有多条连接线；3. 重点观察学与校同指一个名词语素，而末音节与助词语素的对应关系

论文图 1。原论文 Figure 1：“Illustration of the proposed hierarchical pointer struc- ture for deep morphological integration.”。

图中顶部是句子容器，内部并列放置多个语节与标点符号，虚线箭头表示从第一个语节展开到下方的放大视图。放大视图左侧是 3 个深色音节块，右侧是两个浅色语素块，黑线表示音节到语素的指向关系。前两个音节共同指向学校名词语素，末音节指向助词语素，这种多对一与 1 对一并存的连接正是深层形态集成的含义。有了这层连接，判断相邻音节是否跨越语素边界不再需要重新查字符串，而是指针是否指向不同语素对象。

论文报告该判断的时间复杂度为常数级别，这是后续所有边界敏感规则能够快速、准确应用的前提。需要强调的是，该图只说明数据结构，不包含规则执行顺序，执行顺序由下一节的迭代机制决定。

分层指针与隔离词典各自解决什么歧义？

分层指针结构解决的是边界归属歧义。论文对比了已有方法把形态分析结果当作普通文本字符串的做法，那种做法每次判断边界都要解析字符串，既慢又容易丢失对齐。新结构让音节对象直接持有语素指针，相邻两音节是否属于同一语素只需比较指针是否相同。论文给出教学性例子：某个字形加助词时应发生连音，而同样字形加名词时应先产生闭音节再连音，若没有可靠的边界判断，两条路径无法区分。该机制把形态信息从外部参考变为内部可直接访问的属性，是速度提升的重要来源之一。

形态分析 × 音韵规则： 形态分析负责切分语素并标注词性与词源，告诉系统哪里是语素内部、哪里是语素边界；音韵规则负责根据上下文把底层字形改写为表层发音，如连音、鼻音化、紧音化。论文让两者搭配的原因是：同一字形序列在不同边界条件下应触发不同规则，没有边界信息规则就会误触发，因此用音节对象直接持有语素指针，让每条规则在应用前都能以常数时间查到边界类型。

规则专用隔离词典解决的是词源相关的例外歧义。韩语中汉字词与固有词即使字形相近，也可能适用不同的紧音化条件。若用单一全局词典统一纠正，容易把固有词误判为汉字词。论文的做法是为特定规则配备独立词典，只有当该规则处于激活状态时才查对应词典。文中例子是汉字词的发展应纠正为紧音化形式，而固有词的不相关词应保持原推导，隔离词典保证了这种区分。两类机制的分工因此清晰：指针结构处理普遍的边界判断，隔离词典处理特定规则下的词汇例外。

分层指针结构 × 规则专用隔离词典： 分层指针结构负责维护句子到语节到音节再到语素的归属关系，保证边界判断可复用；规则专用隔离词典负责只在特定规则激活时才介入的例外词表，如汉字词紧音化词典。两者搭配的原因是：通用全局词典容易过度纠正，把固有词也按汉字词处理，而隔离词典把词汇知识的作用域限定在某条规则内部，既保留结构化的边界信息，又避免词汇例外污染整个推导链。

从复述角度看，研究生应记住实现顺序。先调用 Kiwi 得到句子、语节、语素切分，再为每个音节创建对象并建立到语素的指针，最后才进入规则扫描。隔离词典不在扫描前全局改写文本，而是在某条规则判定条件满足时才作为辅助依据。这种延迟查词的设计保留了音韵推导的逐步完整性，避免一步到位的词汇替换掩盖中间音变步骤。

优先级迭代如何模拟一次触发另一次的链式变化？

韩语音韵的难点在于链式反应，即 1 次变化创造下 1 次变化的条件。论文引入基于优先级的迭代规则引擎，并用单一职责原则组织优先级。白话说，单一职责原则要求基础规则先行、复杂上下文敏感规则后行，使后者自然地看到前者更新后的上下文。机制上，引擎按预定优先级顺序扫描规则，若某条规则作用于某音节并改变音素，引擎立即停止本轮扫描，并把游标重置到所属语节的首音节，重新从最高优先级开始检查。重复该过程直到没有任何规则可应用为止。

优先级迭代 × 链式音变： 优先级迭代负责按基础规则先行、上下文敏感规则后行的顺序扫描音节，一旦某音节发生变化就回退到语节起点重新扫描；链式音变指韩语中 1 次变化创造下 1 次变化条件的过程，如先产生闭音节再触发鼻音化。两者搭配的原因是：单遍扫描无法表达变化之间的因果顺序，而递归重估用过程性循环模拟了同时发生的级联变化，使后触发的规则能看到前一规则更新后的音素。

论文用前后两遍的例子说明收敛过程。某个词在第一遍先发生内爆产生新的闭音节条件，重置后第二遍再触发鼻音化，最终收敛到实际发音。这种用过程性循环模拟同时变化的做法，避免了为所有级联组合手写 1 次性规则。需要区分的是，优先级本身不创造新的音韵知识，它只是保证规则按语言学上合理的因果顺序被检查，而真正决定是否改写的仍是每条规则的条件与边界信息。递归的代价是理论复杂度随长度增长较快，论文回归分析指出其斜率高于 g2pk，但初始化开销大幅降低，因此在实用长度内仍显著更快，交叉点与语音时长的换算将在结果部分结合速度图展开。

本研究训练了什么，没有训练什么？

本研究没有训练神经网络形态分析器，也没有训练神经转换模型，转换引擎本身是确定性规则系统，不存在梯度更新、参数冻结或反向传播路径。实际计算过程是规则应用与指针查询的离散推导，重置时机明确定义为某音节音素发生变化时回到语节起点。需要调用的外部模型是既有的 Kiwi 形态分析器和既有的 g2pk 基线，前者用于构建层级结构，后者仅用于对照比较。论文未报告 Kiwi 内部参数是否微调，因此不能推定其权重状态，只能将其视为给定的解析来源。

被训练的是下游验证用的语音合成模型。论文共训练 96 个独立的 VITS 模型，每种输入条件 32 个，训练步数均为 5001,000 步。超参数沿用已有文献但将学习率细化为 0.0001，批量大小为 48。为制造方差，论文有意不固定随机种子，使每个模型的初始权重与批次顺序各不相同。这种安排把每个模型视为组间比较中的 1 名被试，目的是分离算法真实效应与深度学习随机性带来的偶然差异。研究生复述时应明确区分两层计算：转换阶段是可解释的规则推导，合成阶段是需要统计控制的神经网络训练，二者的随机性来源与评估方式完全不同。

速度、精度与合成影响分别在什么条件下测量？

独立转换评测分为延迟与精度两部分。延迟测量使用 3000 条韩国语单人语音数据集句子，每种模式重复测量 16 次以消除操作系统后台噪声，并用配对 t 检验验证速度差异的显著性。精度测量建立了 925 句的人工校验集，从同一语音语料中挑选以覆盖复杂字形组合与音韵边界情形，所有标准答案由 3 名韩国文学与语音学专家手动验证。精度采用整句严格准确率，即一句中只要有一个音素错误整句判错，同时报告音素级错误率。

下游合成验证采用 3 组对照：字形组、g2pk 音素组、新引擎音素组，每组 32 个 VITS 模型。可懂度用大尺寸语音识别模型转写合成音频，再与原始脚本比较得到字错误率，解码时波束宽度为 1。音质用感知语音质量评估与基于自监督的平均意见分预测两项指标衡量。为应用中心极限定理，每个模型先计算代表性分数，再剔除 95% 置信区间之外的离群点，防止注意力崩溃等训练失败扭曲结论，最后做单因素方差分析与费舍尔最小显著差异事后检验。资源状态方面，论文引用了 Kiwi 与 g2pk 的公开链接，本次核查显示两个链接当前可用，但这只说明代码仓库可达，不代表本论文新引擎已公开或可直接运行。

新引擎在速度与转换精度上带来多大改进？

论文报告的核心问题是新引擎是否同时更快更准，比较对象是实际可运行的 g2pk，条件是同一批句子与同一人工校验集，指标方向为耗时越低越好、准确率越高越好、错误率越低越好。下表整理了原文直接报告的 3 组数字，分别对应平均耗时、整句准确率与音素级错误率，阅读时注意前者是延迟指标，后两者是精度指标，不可混为一谈。

表后需要同时看到收益与代价。新引擎平均耗时约为基线的五分之一到八分之一量级，整句准确率高出约 58 个百分点，音素级错误率下降超过 10 倍，这是主要收益。代价与边界在于两点：第一，递归重估使耗时随文本长度的斜率更陡，长文本优势会缩小；第二，剩余约 0.8% 量级的错误主要来自同形异义与形态分析器上下文窗口上限，而非规则引擎本身可以独立解决的部分。下图展示了耗时随文本长度的变化趋势，有助于理解平均数字背后的条件依赖。

看图路径： 1. 先确认横轴为文本长度、纵轴为转换耗时，上下两簇点分别对应两种转换器；2. 再比较两条拟合直线的截距差异，理解初始化开销的主导作用；3. 最后观察下方点簇随长度缓慢上升而上方点簇几乎水平的趋势

论文图 2。原论文 Figure 2：“Text conversion speed measurement results.”。

该散点图横轴为文本长度，纵轴为转换耗时，上方深色点簇为 g2pk，下方浅色点簇为新引擎。可见上方点簇几乎水平，截距约 14.658，说明其耗时主要由初始化开销决定；下方点簇随长度缓慢上升，斜率约 0.102，截距接近零，说明初始化开销极小但存在随长度增长的递归成本。论文据此估算交叉点在 158 字符附近，按每字符对应 118.6 毫秒音频换算约 18.7 秒语音，超出平均会话语句约 7 秒的长度，因此在实用范围内新引擎保持领先。像素不能精确读出每个点的具体数值，结论应以原文报告的均值与回归方程为准。

精度方面的柱状图进一步确认了差距的幅度，请按左右两 panel 分别确认指标口径。

看图路径： 1. 先看左侧准确率柱状图两根柱子的高度差与标注百分比；2. 再看右侧错误率柱状图纵轴刻度，确认 0.021 与 0.002 的数量级差异；3. 注意左侧是整句严格准确率，右侧是音素级错误率，二者口径不同

论文图 3。原论文 Figure 3：“Conversion accuracy and CER measurement results.”。

左 panel 为整句准确率，新引擎标注为 85.730%，基线为 27.243%，右 panel 为音素级错误率，新引擎为 0.002，基线为 0.021。需要强调的是，左图是严格得多的整句指标，只要一音之差即判错，因此 27% 并不意味着基线多数音素都错，而是多数句子至少错一处。右图才是音素级平均错误，两者共同说明新引擎既减少了出错句子的比例，也降低了句子内部的平均错误密度。定性例子显示新引擎在连音与紧音化等边界现象上更稳定，但同形异义词仍是未胜出的边界情形。

高精度音素是否真正改善合成的可懂度与训练效率？

下游验证的核心问题是转换精度是否转化为合成性能，比较的是 3 种实际可运行的输入策略：原始字形、新引擎音素、g2pk 音素，条件是每组 32 个独立训练的模型、相同步数与相同评估流程，指标方向为可懂度错误率越低越好。下表概括了 500K 步处的组间差异与显著性，阅读时注意显著与不显著的区分同样重要。

表后解释需结合统计检验。新引擎组的可懂度显著优于另两组，而 g2pk 组与字形组之间无显著差异，事后检验 p 值为 0.960，这支持论文的标签噪声解释：不准确的音素没有提供有效先验，反而引入与音频矛盾的监督，因此效果不优于让模型自行学习。音质两项指标的方差分析 p 值分别为 0.265 与 0.123，均未达到显著阈值，说明可懂度提升没有以牺牲自然度为代价。未胜出项同样值得记录：g2pk 组在早期训练中甚至略落后于字形组，这与正交深度理论一致，即确定性音变本可由数据学会，但错误音素会主动误导编码器。

下图展示了可懂度随训练步数的完整轨迹，重点是比较起点差异与收敛过程，避免只看终点产生误判。

看图路径： 1. 先看面板 A 三根柱子的均值与误差线，确认新方法柱最低；2. 再看面板 B 下三角矩阵中深色格与浅色格对应的显著性阈值；3. 最后沿面板 C 训练步数从左向右看三条曲线在 100 千步处的起点差异

论文图 5。原论文 Figure 4：“ANOVA analysis on TTS CER (Character Error Rate).”。

面板 A 显示 500K 步处 3 组均值分别为 0.048、0.047 与 0.042，单位均为 CER 分数，面板 B 的成对比较矩阵中新引擎与其他两组的格子为深色显著，字形与 g2pk 之间为浅色不显著。面板 C 最为关键：横轴为训练步数从 100K 至 500K，纵轴为可懂度错误率，单位为 CER 分数，新引擎曲线起点最低约 0.087 CER 分数，另两组起点在 0.11 CER 分数以上，随后 3 条曲线都快速下降并逐渐收敛。这支持训练效率的判断，即高精度音素主要改善早期收敛与最终可懂度的稳定优势，而非仅在终点偶然胜出。但总体趋势不等于每一步都显著，论文的显著性结论针对 500K 步的组间比较，不能推广为任意中间步都成立。

哪些误差与代价仍未被这套规则解决？

论文明确报告了两类结构性约束。第一，引擎精度依赖底层形态分析器，若遇到新造词或空格错误，解析失败会通过指针传播为级联的规则误用。这意味着分层指针在正常解析时是优势，在解析错误时也会放大错误，因为后续规则都信任了错误的边界归属。第二，作为基于形态音韵的系统，它难以处理需要深层语境推理的语义同形异义，例如同一字形在不同语义下读法不同，超出形态层级的信息范围。剩余误差分析指出，同形歧义代表了当前形态分析器上下文窗口的性能上界，而非单纯增加规则可以修复的问题。

另一类限制是评估边界。音质指标未发现显著差异，这可以解读为没有权衡代价，但也不能反向承诺音质得到改善。论文未测量误判率之外的延迟分布尾部、内存占用与真实部署吞吐，因此不能从训练资源充足推定推理侧同样廉价。多语言扩展部分属于有限解释：论文认为某语言的不准确映射会污染共享音素嵌入，但该实验未在本研究中直接验证，应表述为待验证的推测，而非已证实的因果。研究生应把缺失证据视为具体的补测清单，而不是对方法的否定。

若要复现与核对，应先准备什么、按什么顺序做？

复现应从可核对的环节开始。第一步准备数据与基线：获取韩国语单人语音数据集文本，安装当前可用的 Kiwi 与 g2pk 仓库，确认二者在本地可运行。论文新引擎本身未在本证据中给出可下载链接，因此不要假设存在官方权重或一键脚本，复现的重点是按论文描述重建层级对象与规则顺序，而非寻找现成模型。第二步重建人工校验子集的评估流程：按复杂字形组合与音韵边界情形抽取句子，至少做到双人独立标注加 adjudication，才能与论文三专家校验的严格整句准确率可比。第 3 步复现延迟测量：固定机器负载，每句重复多次并报告均值与配对检验，而非单次计时。

合成部分的复现成本最高，需要为每种输入条件训练多个随机种子模型。论文用每组 32 个模型控制随机性，若资源有限，至少应保留多种子设计并报告均值、误差线与方差分析，而不应只比较单种子最优值。超参数方面需保留学习率 0.0001、批量大小 48 与 5001,000 步的训练预算，解码与评估需固定识别模型与波束宽度，否则可懂度数字不可比。统计处理上需先按模型聚合代表性分数，再剔除置信区间外离群点，最后做组间检验，直接把所有 utterance 混在一起检验会夸大自由度。

何时值得尝试这套方法：当合成输入语言具有丰富的词边界音变且存在可用的形态分析器时，优先用规则基线清洗音素；当同形语义歧义占主导时，还需额外补轻量上下文模块的验证。

这项工作留下了什么可用的结论？

回到中心矛盾：韩语语音合成需要的不是更多参数，而是更干净的发音监督。论文用可核对的工程与统计证据回答了这一点。工程上，分层指针把边界判断变为常数时间查询，隔离词典把词汇例外限定在特定规则内，优先级迭代用重置重估模拟链式音变，三者共同把整句准确率从 27.2% 提升到 85.7%，并把平均耗时从 14.98 毫秒降到 3.14 毫秒。统计上，96 个模型的组间比较显示高精度音素显著降低可懂度错误，而音质指标无显著差异，且不准确的音素与原始字形无显著差异，这为标签噪声假说提供了直接支持。

字形输入 × 音素输入： 字形输入指直接把韩语文字送入语音合成模型，让模型自己隐式学习音变；音素输入指先用转换器把文字规范为发音序列再送入模型，减轻对齐负担。论文对比两者的原因是：只有当转换器足够准确时，显式音素才能比隐式学习更一致，若转换器错误率高，音素输入反而引入与音频矛盾的监督，还不如保留原始字形让模型自行归纳确定性规则。

对初学者的实践含义是明确的。若目标是提升韩语合成的可懂度与早期收敛，应先检查转换器在词边界处的系统性错误，而不是急于增大合成模型。若目标是处理语义决定的同形异音，则应认识到当前规则引擎的边界，补做上下文建模的对照实验。方法论层面的启示是把大样本方差分析作为生成模型比较的新标准，用多种子分布代替单种子最优值的偶然比较。未来工作指向混合架构：用高精度规则引擎生成可靠训练数据与显式形态特征，再训练神经转换模型以降低幻觉风险，同时用当代语料更新词典以适应语言变化。

⚖️ 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