标签
本文提出了一种基于分类器的框架，用于审计多语言TTS系统的音系忠实性，以阿萨姆语ATR元音和谐为案例研究。结果显示，Meta的MMS TTS频繁错误生成舌根前伸元音，而这种偏差在人类语音中不存在。
UR-BERT提出了一种基于罗马化转录的文本编码器，用于大规模多语言TTS，通过使用通用罗马化和语音令牌预测目标，扩展到495种语言，以增强语音对齐和泛化到未见过的语言。