ACL 2025 高分接收｜高感情语音技术：逻辑智能小语种TTS破局之道

主要观点总结

本文介绍了泰语TTS技术的突破。由于小语种语音合成长期面临资源匮乏和音质问题，逻辑智能团队提出了一种数据优化驱动的声学建模框架，成功打造了接近真人水平的泰语TTS。这项工作不仅提高了音质，还实现了零样本声音克隆。文章详细描述了这项工作的方法、数据集构建、预处理流程、模型架构和实验结果。

关键观点总结

关键观点1: 小语种TTS发展的挑战和突破

长期以来，小语种语音合成（TTS）技术因资源匮乏而发展缓慢。逻辑智能团队通过数据优化驱动的声学建模框架，成功打造了接近真人水平的泰语TTS。

关键观点2: 数据优化驱动的声学建模框架

该框架从语音、文本、音素、语法等多个维度构建系统化的泰语数据集，并结合先进的声学建模技术，实现了在有限资源下的高质量TTS合成效果。

关键观点3: 泰语专项数据集构建

工作构建了一套专为低资源泰语TTS设计的多维数据集，涵盖语音、文本和注释三大类，为在资源稀缺环境下实现工业级泰语TTS与零样本声音克隆奠定了坚实基础。

关键观点4: 先进的预处理流程

预处理流水线通过“三步一体、逐层解耦”的方式化解泰语文本的无标点、无空格、声调复杂等难题，输出结构化的“音素-声调”序列，大幅降低后续声学模型学习难度。

关键观点5: 卓越的TTS模型架构

集成“多源特征×声调感知×零样本克隆”的组合设计，利用多语种预训练模型提取强鲁棒特征，并使用GAN解码器实现高保真、低延迟的语音合成。