满语TTS：面向濒危语言的高质量语音合成

本文解决了濒危语言满语的语音合成问题，该语言面临数据稀缺和复杂的黏着语问题。提出的ManchuTTS模型引入了分层文本表示、跨模态注意力、流匹配Transformer和分层对比损失等创新技术来克服这些挑战。专用数据集的创建和数据增强也为模型的有效性做出了贡献。结果，包括高MOS评分和在黏着词发音和韵律自然度方面的显着改进，表明了本文对低资源语音合成和语言保护领域的重大贡献。

• •解决了低资源、黏着语语言（满语）的语音合成挑战。
• •提出了一个新颖的ManchuTTS模型，具有三层文本表示和分层注意力机制。
• •采用流匹配Transformer进行高效的非自回归生成。
• •引入分层对比损失以实现结构化的声学-语言对应关系。
• •通过高MOS评分以及发音和韵律的显着改进，实现了最先进的结果。