研究：为对话式 TTS 模型加音素控制，药名读音正确率升至 90.7%
原文标题：Pronouncing Hard Words: Phoneme Adaptation of a Pretrained Conversational Text to Speech Model
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文在不做预训练/中训练的前提下，通过 ARPAbet 词表扩展、音素增强监督微调与免训练推理期声学偏置，为预训练对话式 TTS 模型补上音素可控性。在 7500 条临床药名读音评测中，Gemini 判定的严格正确率从 54.6% 升至 90.7%，且全部为域外测试，说明模型学到的是发音而非记忆。
深读 · 结论先行AI 生成展开看要点与影响 ↓
给对话式TTS加音素控制，临床药名严格读音正确率从54.6%升至90.7%。
- •方法为ARPAbet词表扩展、音素增强监督微调、免训练推理期声学偏置，不做预训练/中训练。
- •7500条临床药名读音评测中，Gemini判定严格正确率从54.6%升至90.7%，优于所有对话式与无状态TTS基线。
- •训练阶段从未见过药名，全部评测为域外，说明学到的是发音而非记忆。
- •盲测人类研究中，成人听者对84%的音频判对，最强基线为82%，置信区间重叠。
为什么重要：药名等低频关键实体无法靠扩大训练覆盖解决，音素级控制是语音Agent在医疗等高风险场景可用的前提。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
谷歌发布 EmbeddingGemma 2，五模态统一向量空间
AI 摘要谷歌推出 EmbeddingGemma 2 嵌入模型，可将文本、图像等五种模态映射到同一个向量空间，实现跨模态检索与对齐。该模型延续 Gemma 开源系列，面向多模态嵌入与检索增强场景。
谷歌发布Genie 4世界模型，可生成带音频交互体验
AI 摘要谷歌发布 Genie 4 世界模型，支持更真实的世界、自然语言实时修改、音频生成，底层由 Gemini 3.8 Flash 驱动，单次体验时长从 1 分钟提升至约 2 分钟。该模型先以研究预览形式向受信任测试者开放，并将向 Google AI Ultra 订阅用户推出。
谷歌 DeepMind 发布 Genie 4 世界模型，新增音频与实时操控
AI 摘要谷歌 DeepMind 发布世界模型 Genie 4，新增实时音频、更逼真的模拟环境，并支持在模拟过程中用文本提示实时操控。该模型以研究预览形式向受信任测试者开放，进一步推进可交互世界模型的能力边界。
谷歌 DeepMind 称四个 Gemini 4 智能体 27 小时通关《我的世界》
AI 摘要谷歌 DeepMind 表示，四个基于 Gemini 4 的 AI 智能体在 27 小时内自行编写 2783 段程序，成功通关《我的世界》。过程中智能体在简单难度下死亡 605 次，估计消耗约 520 美元 token 成本。