SpeechWeave: Automatisierte, mehrsprachige TTS‑Datengenerierung

Für die Ausbildung von Text‑zu‑Speech‑Modellen ist ein umfangreiches und vielfältiges Datenset unerlässlich. Traditionelle Quellen stoßen jedoch an Grenzen: Domain‑spezifische Inhalte sind selten, Lizenzfragen erschweren die Nutzung und die Skalierbarkeit bleibt begrenzt. Auch große Sprachmodelle liefern häufig wiederholende Texte, die nicht die nötige Variation aufweisen.

SpeechWeave löst diese Probleme mit einer vollständig automatisierten Pipeline, die synthetische, mehrsprachige Sprachdaten erzeugt. Die Technik kombiniert die Textgenerierung von LLMs mit einer robusten Normalisierung, die etwa 97 % der Texte korrekt formatiert. Gleichzeitig werden die Audiodaten sprachlich standardisiert, sodass die Stimme konsistent bleibt.

In Experimenten konnte die Pipeline die Vielfalt der erzeugten Daten um 10 – 48 % im Vergleich zu herkömmlichen Methoden steigern, gemessen an linguistischen und phonetischen Kennzahlen. Damit bietet SpeechWeave eine skalierbare Lösung für die Erstellung hochwertiger TTS‑Trainingsdatensätze, die sowohl die Text‑ als auch die Sprachqualität deutlich verbessert.