مدلهای تبدیل متن به گفتار (TTS) که مبتنی بر مدلهای زبانی بزرگ (LLM) هستند، در تولید صدای طبیعی عالی عمل میکنند، اما گاهی در تلفظ دقیق کلمات دچار چالش میشوند.
محققان با معرفی روش جدید و سبک «UtterTune»، از تکنیک LoRA برای تنظیم دقیق تلفظ و تکیه کلمات در زبانهای مختلف (بهویژه ژاپنی) استفاده کردهاند. این روش به مدل اجازه میدهد بدون تغییر در کیفیت صدای اصلی، دقت تلفظ را در سطح فونمها به شکل چشمگیری بهبود ببخشد. 🎙️✨
این نوآوری گام بزرگی برای رسیدن به دستیارهای صوتی است که لحن و لهجه را کاملاً طبیعی و دقیق ادا میکنند.
منبع: arXiv NLP
