廣東話 TTS(CTTS)總目錄
所有 CTTS 相關頁面集中喺度。底模 Qwen3-TTS-12Hz-1.7B,香港口音微調。最後更新:2026-11-16 11:26 JST
① 數據整理(data cleanup)
以下係 E0014(而家最好嗰代)用嘅訓練集,E0018 沿用同一份。
| 來源 | 類型 | 段數 | 時數 |
|---|
| HK YouTube | 自然口語 | 31,364 | 100.5h |
| CV zh-HK | 眾包朗讀 | 9,499 | 8.0h |
| MDCC | 有聲書朗讀 | 9,516 | 8.6h |
| MCE | 中英夾雜對話 | 13,036 | 31.2h |
| 合共 | | 63,415 | 148.3h |
清理步驟
- 淨係用香港口音來源:HK YouTube(每個頻道 ≤15h)、CV zh-HK(≤30k 段,每個講者 ≤1,500 段)、MDCC、MCE;唔用 CV 粵語(yue)。
- 基本門檻:每段約 3–30 秒,唔要阿拉伯數字,唔要字幕有 [?] 嘅段。
- 剪頭尾靜音:CV zh-HK 原本有 27% 係頭尾靜音(MCE 11%),模型會學咗「講完等一陣先收」。剪完 40 段 held-out ASR CER 8.1% → 7.8%(冇傷害)。
- YouTube 對唔上嘅段踢走:語速 <2.5 或 >8 字/秒(字幕同聲對唔上),或者有 2 個以上「呃/嗯」(13.7% YouTube 段有 filler,會教識模型亂加口頭禪)。
- 單講者檢查(YouTube):同一段頭/中/尾嘅 speaker embedding 互相 cos ≥ 0.75,排走一段入面有兩個人講嘢;E0014 全部過,中位數 0.98。
- 懶音篩+重新加標點(E0012 起):受限 CTC 判官逐字檢查 n→l、gw→g、ng→∅ 等懶音;按真實停頓重新加「,」;判官核實過讀音嘅字先加粵拼 tag。
各語料嘅分佈同重疊(latent 投影):見 ⑤ 嘅公開技術報告。
② 各代模型總表(E0003 → E0017)
每代改咗乜、用咩數據、benchmark 同結論,一張表睇晒。
打開總表 →
最新:E0018(原子粵拼 tag) 預先登記判定 FAIL:主假設 H1(加 tag 後多音字讀啱率,E0018 − E0014)+3.30 pt,95% CI [−0.41, +8.37] 未過 0;C1 純文字 CER +0.34 pt、非目標字聲調錯 +1.50 pt,兩條護欄都爆。加 tag 本身有用(E0014 +9.16 pt、E0018 +12.90 pt),但新 tag 格式冇證到贏舊格式。交付維持 E0014。
③ 生成樣本+逐條分數 新
E0014 vs E0018,20 句多音字 probe 句 × 純文字/加 tag × 每句 8 個 sample,共 640 條。每條都有判官分數(目標字讀啱唔啱、margin、ASR CER、聲線相似度)。可以喺頁面撳「啱/錯」標返你自己聽到嘅,頁面會即計你同判官嘅一致率,再一鍵複製貼返上群。
| 模型 | 輸入 | 判官判啱 | CER | 聲線 |
|---|
| E0014 | 純文字 (C1) | 52.5% | 2.2% | 0.976 |
| E0018 | 純文字 (C1) | 46.9% | 2.5% | 0.977 |
| E0014 | 加讀音 tag (C2) | 76.2% | 2.3% | 0.976 |
| E0018 | 加讀音 tag (C2) | 77.5% | 2.1% | 0.976 |
注意:呢度係 probe 20 句(160 條/組)嘅數,唔係正式 test 314,所以同上面 E0018 判定嘅數唔同。
去聽 →
④ HEV 人耳試聽集 製作中
固定 20 句(HEV01–20:14 句多音字對比+語氣詞、數字、中英夾雜、問句、長句),每個新 run 加一欄,用 ID 回報問題。整好會加喺呢度。