用音素均值log-mel向量替代TTS做文本注入

查表音素向量替代TTS做文本注入，训练更快且WER相当

资讯摘要

论文提出用查表法替代冻结TTS模型来生成文本注入所需的合成语音输入：每个音素对应一个均值log-mel向量（或one-hot编码），按对齐统计随机采样时长重复，词间插入静音。作者报告训练速度比神经TTS快1.8倍，词错误率相当；结合外部语言模型在LibriSpeech四个测试集上WER为1.36/2.90/1.52/3.24%，并称这是仅用LibriSpeech配对数据、文本和词典的当前最好结果。论文还分析了合成输入各组件、比较不同HMM对齐器、在25000小时Loquacious数据上评估扩展性，并称全编码器注入优于部分编码器和解码器方法。

要点速读

1. 用每音素均值log-mel向量查表替代TTS生成合成输入，训练速度提升1.8倍，WER相当
2. 结合外部语言模型在LibriSpeech dev/test clean/other上WER为1.36/2.90/1.52/3.24%
3. 作者报告全编码器注入相对部分编码器和解码器方法有更强提升，并公开完整流程代码

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/28 08:00:17（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。