Praxy Voice：冷凍された非インド系ベースから商用級のインド系TTSを実現する音声プロンプト復元＋BUPS（商用学習データなし・学習コスト0）

要旨: 商用TTSシステムはネイティブに近いインド系言語（Indic）の音声を生成しますが、最良のオープンソース基盤（Chatterbox、Indic Parler-TTS、IndicF5）は、測定された音韻的側面においてそれらに遅れています。また、最も広く採用されている多言語基盤（Chatterbox、23言語）は、テルグ語やタミル語ですらトークン化していません。そこで問いは次のとおりです。新しい音響デコーダを学習せず、商用TTSの学習データも使わないまま、どの最小限の介入で、テルグ語・タミル語・ヒンディー語において、このような非インド系ネイティブの基盤を商用クラスの出力に到達させられるのでしょうか？
我々は3つの要素を組み合わせます： (1) BUPS（Brahmic Unified Phoneme Space）。7つのインド系文字体系をISO-15919に決定的にローマ字化し、Chatterboxのラテン語トークナイザが処理できるようにします； (2) テキスト・トークン予測器のみへのLoRAアダプタ（Chatterboxのt3）。ヒンディーのプロキシとなるlanguage_idを用いて、ライセンスされたインド系音声約1,220時間で学習します； (3) 音声プロンプト復元レシピ――同一言語の8〜11秒の参照クリップに加え、3つのサンプリング上書き（exaggeration 0.7、temperature 0.6、min_p 0.1；「Config B」）。これにより、音響デコーダの学習なしで、商用クラスの音響出力が復元されます。ヒンディーでは、LoRAが精度を退行させるため、その代わりにバニラChatterbox + Config Bを用い、二系統のデプロイを行います。PSPベンチマークを併用した10発話のパイロットセットで評価した結果、Praxy Voiceは商用ベースラインと同等、あるいはわずかに上回ります：テルグ語で26.7%のretroflex collapse（Sarvam Bulbulは33.3%）、タミル語で71%のTamil-zha collapse（商用トリオは86%）、ヒンディーで0.025のLLM-WER（Cartesia Sonic-3と同率）。文中内のコードミックスでは、3つ目の分岐としてIndicF5 + ネイティブ文字のトランスリテレーションを追加し、Hi/Te/Taの全てにおいて、コードミックスのLLM-WERを0.80-0.85から0.14-0.27へと低下させます。R6のLoRA重み（Apache-2.0）、推論コードとルータ（MIT）、そしてGradioデモを公開します。