음운 규칙을 이용한 학습 불필요한 L2 억양 음성 합성

Learning-free L2-Accented Speech Generation using Phonological Rules

억양은 화자 식별 및 음성 기술의 포용성에 중요한 역할을 합니다. 기존의 억양 텍스트 음성 변환(TTS) 시스템은 대규모 억양 데이터셋을 필요로 하거나, 세밀한 음소 수준의 제어 기능을 제공하지 못하는 경우가 많습니다. 본 연구에서는 음운 규칙과 다국어 TTS 모델을 결합하여 억양 TTS 프레임워크를 제안합니다. 제안하는 방법은 음소 시퀀스에 음운 규칙을 적용하여 음소 수준에서 억양을 변환하면서도 가독성을 유지합니다. 이 방법은 억양 데이터셋 없이도 구현 가능하며, 명시적인 음소 수준의 억양 조작을 가능하게 합니다. 스페인어 및 인도 억양을 사용하는 영어에 대한 규칙 세트를 설계하여 음운 제약으로 인해 발생하는 자음, 모음 및 음절 구조의 체계적인 차이를 모델링합니다. 본 연구에서는 음소 수준의 음성 지속 시간 정렬과 억양 간의 균형을 분석하고, 실험 결과는 음성 품질을 유지하면서 효과적인 억양 변화를 보여줍니다.

Accent plays a crucial role in speaker identity and inclusivity in speech technologies. Existing accented text-to-speech (TTS) systems either require large-scale accented datasets or lack fine-grained phoneme-level controllability. We propose a accented TTS framework that combines phonological rules with a multilingual TTS model. The rules are applied to phoneme sequences to transform accent at the phoneme level while preserving intelligibility. The method requires no accented training data and enables explicit phoneme-level accent manipulation. We design rule sets for Spanish- and Indian-accented English, modeling systematic differences in consonants, vowels, and syllable structure arising from phonotactic constraints. We analyze the trade-off between phoneme-level duration alignment and accent as realized in speech timing. Experimental results demonstrate effective accent shift while maintaining speech quality.