针对说话者稳定的低资源希腊语 TTS 的确定性提示

现代 TTS 系统在高资源语言方面已接近人类的质量，但当干净的语音数据稀缺时，其质量就会下降。现代希腊语就是这一点的例证，缺乏最先进的综合背后的精心策划的语料库。我们提出了一种数据管理方法，通过 WhisperX 对齐和过滤将有声读物录音转换为 TTS 就绪数据。然后我们微调 Parler-TTS (880M)，这是一个基于提示的多语言模型，其 预训练 编码可转移到希腊语的语音先验。在开发过程中，我们发现 LLM 生成的风格提示会在推理时引入说话人漂移。用确定性提示替换它们可以解决这个问题，并且在 3.5 小时的单说话人数据锚定上训练特定说话人的 LoRA 阶段，同时更新约 5% 的参数。我们的系统实现了 10.7% 的 WER（比 ASR 下限高 2.9）、MOS-I 4.00（相对于 4.36 人类语音）和接近人类说话者的一致性（MOS-C 4.24 相对于 4.30），这表明在有限的策划数据下可以实现强大的单说话者希腊语 TTS。