SPARCLE：让语音合成更懂说话人，低资源场景性能翻倍

在语音合成领域，传统方法通常依赖音素（phoneme）作为中间表示，但音素转换系统（G2P）难以捕捉说话人特有的声学变化。近期研究趋势转向直接基于字符（grapheme）建模，虽然在大规模数据上表现优异，但在低资源场景下仍存在局限。

arXiv最新论文提出SPARCLE模型，创新性地将字符与说话人感知的声学表示进行对齐。该模型采用对比学习目标，在训练时结合说话人身份信息，使每个字符能关联其具体的声学实现。SPARCLE本质上可替代传统G2P系统，直接为下游文本转语音（TTS）任务提供增强的字符表示。

实验显示，在极端低资源条件下，SPARCLE将语音合成的词错误率降低了一半，显著优于标准字符基线模型。这一突破为资源受限的语音合成应用提供了新的技术路径，尤其在个性化语音生成、低资源语言支持等场景具有实用价值。