Text-to-speech (TTS) processing
PulseAugur coverage of Text-to-speech (TTS) processing — every cluster mentioning Text-to-speech (TTS) processing across labs, papers, and developer communities, ranked by signal.
-
激活引导增强了文本到语音的情感控制和可懂度
两篇新研究论文介绍了一种名为“激活引导”的方法,可以在不重新训练现有文本到语音(TTS)模型的情况下控制生成语音的各个方面。第一篇论文“SteerSpeech”通过将引导向量注入模型激活来控制情感表达,展示了使用Qwen3-TTS等模型改进情感控制和说话人身份保持。第二篇论文“Loud and Clear”应用了类似的提示相对引导机制,以增强嘈杂环境下的语音可懂度,其灵感来自人类的Lombard效应,并显示在背景噪声下词错误率有所降低。
-
UR-BERT 实现支持495种语言的多语言TTS系统
研究人员开发了UR-BERT,这是一种新颖的文本编码器,旨在显著扩展大规模多语言文本到语音(TTS)系统的能力。与受音素到音素资源限制的传统方法不同,UR-BERT将各种书写系统统一为通用的罗马化格式,从而支持495种语言。该系统还包含一个语音令牌预测目标,以提高语音准确性和文本-语音对齐,在现有基线上表现出优越的性能,并对新语言具有强大的泛化能力。
-
人工智能语音技术合集包括TTS、STT和声音克隆
这篇Mastodon帖子汇集了关于人工智能语音技术的资源。它涵盖了文本到语音(TTS)、语音到文本(STT)、语音合成和声音克隆。该页面作为笔记和链接的集合,供进一步探索这些人工智能驱动的音频功能。
-
新的 ParsVoice 语料库提升波斯语 TTS 能力
研究人员推出了 ParsVoice,这是一个大规模的波斯语语音和文本数据新语料库,旨在推进波斯语的文本到语音(TTS)合成和其他语音处理任务。该数据集包含 2,200 小时的 TTS 就绪音频,拥有来自 1,815 名已识别说话人的超过 136 万个对齐片段,其规模远大于之前的波斯语语音数据集。创建过程涉及一个复杂的流程,包括微调 ParsBERT 模型、优化音频边界、恢复标点符号以及进行说话人识别和质量评估。通过微调多语言 TTS …
-
人工智能语音技术:TTS、STT 和语音合成资源的精选集
这篇 Mastodon 帖子汇集了关于人工智能语音技术的资源,涵盖文本到语音(TTS)、语音到文本(STT)和语音合成。它作为人工智能驱动的语音生成和识别的各个方面信息的中心枢纽。