本文介绍了一种利用自然语言生成的人工语音并结合于现有的自动语音识别系统中的方法，并证明仅需使用语音文本数据就可对ASR系统进行增强，相对于数据扩充的基线模型，本方法在LibriSpeech-100h上获得了高达33%的错误率降低并且相对于最新ASR基线模型在LibriSpeech-960h上也获得了高达5%的未识别词率降低。

Dec, 2019

本文全面调研了神经网络TTS在包括文本分析、声学模型、声码器等方面的研究进展，进一步总结了相关资源（数据集、开源实现），并提出了未来的研究方向。

Jun, 2021

研究聚焦在如何利用高资源语言的已训练 TTS 系统，使其产生的合成语音能提高低资源语言的 ASR 性能。结果表明，使用数千个 TTS 合成文本-语音对并通过平衡真实数据可得到最佳结果，但过高的 TTS 质量可能会影响 ASR 性能。在瓜拉尼语和苏巴语等两种低资源语言上，应用这些发现可将 ASR 性能提高 64.5％和字符误差减少率 (CERR) 45.0％。

Jul, 2022

本研究对现代的语音合成系统中真实和合成人类语音之间的分布距离进行了研究，并通过提供话语级别信息来减少该距离，并通过评估合成数据的合适度确定改进。

Nov, 2022

该研究基于语音属性的分解和对应的感性偏见，提出了一种基于方谱的TTS系统Mega-TTS，训练了20k小时的语音数据，实现了零样本文本到语音的高质量生成。

Jun, 2023

论文提出了一种基于训练合成语音自动识别模型并评估其在真实语音上表现的评估技术，该指标与意见分数自然性和可懂性均呈现出强相关性。

Oct, 2023

这篇研究论文以综述为基础，对各种文字转语音（TTS）技术进行了全面研究。研究比较了诸如串联TTS、共振合成TTS和统计参数TTS等不同的TTS技术在语音自然度、系统复杂程度和适用性等方面的优势和局限性，并探索了神经TTS和混合TTS等最新进展。该研究的结果对于希望了解不同TTS技术及其适用性的研究人员、开发人员和用户具有重要价值。

Dec, 2023

我们介绍了一个名为BASE TTS的文本转语音(TTS)模型，它是迄今为止最大的TTS模型，以100K小时的公共领域语音数据进行训练，在语音自然度方面取得了最新的最佳效果。

Feb, 2024

在此研究中，我们提出了一种将主观人类评估整合到TTS训练过程中的新方法，名为不确定性感知优化（UNO），通过考虑主观人类语音感知和评估中的固有变异性来最大化语音生成的效用，实验证明UNO极大地提升了TTS模型在MOS、词错误率和说话人相似性方面的零样本性能，同时还展示了UNO在情感TTS中无缝、灵活地适应所需说话风格的显著能力。

Jun, 2024

本研究解决了在自动语音识别中选择合成数据生成的文本转语音模型所面临的挑战。通过比较五种不同的TTS解码器架构，我们发现没有明确的性能关系，同时提出了一种量化TTS泛化能力的方法。研究结果表明，自回归解码在数据生成中优于非自回归解码，可能对语音识别训练产生显著影响。

Jul, 2024