Habibi：統一方言型アラビア語音声合成のためのオープンソース基盤を築く

抽象: アラビア語は30を超える話し言葉の多様体にまたがりますが、それらを統一するオープンソースのテキスト読み上げ（TTS）システムは存在しません。主な障壁には、大きな方言間の語彙的および音韻論的な相違、合成品質に適したデータの不足、そして標準化された多様体（マルチダイアレクト）の評価ベンチマークの欠如があります。私たちは、この3つすべてに対処する統一多様体（ユニファイド・ダイアレクト）型アラビア語TTSフレームワークであるHabibiを提示します。多段階のキュレーション（精選）パイプラインを通じて、オープンソースのASRコーパスを転用し、12以上の地域方言をカバーするTTS学習データへと変換します。言語学的知見に基づくカリキュラム学習戦略――現代標準アラビア語から方言データへと段階的に進む――により、テキストのダイアクリティカルマーク（発音区別符号）付与なしで堅牢なゼロショット合成を可能にします。さらに、手動で検証されたトランスクリプトを含む7つの方言サブセットにまたがって11,000件超の発話からなる、最初の標準化された多様体アラビア語TTSベンチマークを公開します。このベンチマーク上で、私たちの統一モデルは、方言ごとの専門モデルと同等、あるいはそれを上回ります。自動評価指標と人手による評価の両方により、Habibiは、明瞭性、話者類似性、自然さの面で、ElevenLabsのEleven v3（alpha）と非常に競争力が高いことが確認されました。広範なアブレーション（約8,000 H100 GPU時間、30以上の構成）により、各設計上の選択が検証されています。私たちは、すべてのチェックポイント、学習・推論コード、ベンチマークデータをオープンソースで公開します――多様体アラビア語TTSにおける最初のこの種のリリースです――https://SWivid.github.io/Habibi/ 。