在雪域高原
语言不只是交流工具
也是连接数字化服务的桥梁
当AI学会“听懂”和“说出”藏语
政务热线、文化传播、客户服务
就有机会跨过语言门槛
抵达更多真实场景
但要让语音大模型
讲出自然、准确、地道的藏语
并不是件容易的事
藏语语音资源稀缺
方言差异显著
书面文本与实际发音之间
还存在复杂映射
对语音合成模型来说
这是一条需持续攀登的“天路”
近日，中电信人工智能科技有限公司
星辰通用人工智能实验室
在藏语语音合成方向
取得阶段性进展
基于自研的星辰大模型
团队构建了面向藏语场景的
文本转语音系统
形成了完整技术方案
闯出一条坚实的技术“天路”
直面技术挑战
藏语TTS难在哪？
藏语是我国重要的少数民族语言之一，承载着丰富的历史文化价值，也是连接雪域高原群众与数字化服务的重要语言桥梁。但要让AI真正“讲出地道藏语”，并不是一件容易的事。
如果说普通话语音合成已经有了较为丰富的语料、工具和技术积累，那么藏语TTS（语音合成）的建设，更像是在攀登一条坡陡、路长、弯多的“天路”。
第一难，难在“语料少”。语音大模型要学会说话，需要大量高质量的语音和文本样本。普通话、英语等高资源语言往往拥有海量公开数据和成熟标注体系，模型可以通过充分学习，掌握发音、停顿、重音和语气。但藏语高质量语音数据相对稀缺，不同来源的数据还可能存在噪声大、录音环境不统一、文本标注不规范等问题。这就像教一个人学语言，教材少、录音杂、标准不一致，学习难度自然大幅提升。
第二难，难在“方言多”。藏语内部存在卫藏、安多、康巴等方言差异，不同地区在发音、语调、词汇表达上都有各自特点。同样一个词，在不同方言环境下可能读法不同、节奏不同、语气也不同。对于语音模型来说，这不仅是“读出来”的问题，更是“读得像不像、地不地道”的问题。如果模型只学会一种读法，就难以适配真实应用中多地区、多场景、多用户的交互需求。
第三难，难在“文字到发音”的映射复杂。语音合成并不是简单地把文字逐字念出来。模型需要理解文本结构，判断每个音节该怎么读、什么时候停顿、哪里需要连读、语气如何变化。对于藏语这样具有独特语言结构的语言，如果仍然沿用通用模型的文本切分方式，就容易出现切分不合理、发音不准确、语音节奏不自然等问题。
因此，藏语TTS的关键，不是简单“堆数据、堆模型”，而是要在低资源条件下，让大模型更懂藏语的语言特点，更适应藏语的真实发音规律。
针对这些挑战，星辰通用人工智能实验室联合相关高校资源，依托自研语音合成大模型的跨语言建模能力，探索出低资源条件下藏语TTS建设的新路径。该方案不依赖从零训练大规模藏语模型，而是充分利用大模型在普通话、英语及多方言语音数据中学习到的通用语音表达能力，再通过针对性的藏语适配训练，让模型逐步掌握藏语发音规律、韵律节奏和表达风格。
技术路线三步走
构建轻量高效建模方案
算法层面，本次工作采用“数据质量增强+藏语文本表示适配+跨语言自适应训练”整体技术路线，面向低资源的藏语场景构建了一套轻量、高效、可扩展的建模方案。
简单来说，这套方案做好了三件事：先把“教材”整理好，再把“文字”拆得更适合藏语，最后让已经具备语言能力的大模型用更少的藏语数据学会更地道的表达。
第一步，是数据质量增强。语音模型要学会“怎么说”，离不开高质量的“音频+文本”成对数据。如果音频有噪声、音量不统一，或者文本和语音对不上，模型就容易学偏。针对多源藏语语音数据，团队构建了统一质量增强流程，覆盖音频降噪、响度归一、静音裁剪、异常样本过滤、文本规范化、语音文本一致性校验等环节。通俗地说，就是先给数据作“校准”，把低质量、多来源、标准不一的数据，转化为适合大模型微调的高质量语音文本平行数据。
第二步，是藏语文本表示适配。语音模型在“读”一句话之前，需要先把文本拆成模型能理解的单位，这个过程通常由tokenizer完成，可以理解为模型读文字前的“切词器”。但通用tokenizer不一定适合藏语，如果切分方式不符合藏语以音节为核心的语言特点，就可能影响发音准确性和语音节奏。为此，团队探索了音节级建模和藏语BPE tokenizer替换两类策略，让模型输入更贴近藏语自然发音单元，减少文本和语音之间的对齐歧义，让模型换上一套更适合藏语语言结构的“登山装备”。
第三步，是跨语言自适应训练。传统做法往往需要从头收集大量数据、训练专门模型，对低资源语言来说成本很高。星辰藏语TTS采用“跨语言迁移+轻量化适配”策略，充分利用星辰大语音合成模型在普通话、英语和多方言数据中已经学到的通用语音能力，再通过有限藏语数据进行针对性训练。这样，模型不必从零开始，就能逐步掌握藏语发音、节奏、韵律和说话人风格，实现更稳定、更自然的语音合成效果。
听得自然，读得准确
星辰藏语TTS表现更进一步
一套语音合成系统好不好，最终要回到真实听感和发音准确性上。那么标准是什么？高音甜、中音准、低音沉？并不是。
真正重要的是：声音是否自然？读音是否准确？语调是否顺畅？听起来是否接近真实表达？这些才是衡量TTS能力的重要标准。
为全面评估星辰藏语TTS的合成效果，团队围绕语音自然度和读音准确率两项核心指标开展评测，并引入业内头部厂商商业藏语TTS API作为对比基线。其中，MOS评分主要衡量语音听起来是否自然、流畅、接近真人表达。分数越高，说明听感越好。读音准确率则关注模型有没有把字词读对、音节读准，是少数民族语言语音合成中非常关键的指标。
本次评测由10名藏语母语者参与完成，评测人员均为全职专业评测人员。这意味着，模型效果不是只看机器指标，而是交给真正熟悉藏语发音的人进行专业判断。
结果显示，星辰藏语TTS在两项核心指标上均优于对比API。在自然度方面，头部厂商商业藏语TTS API MOS评分为3.74；星辰藏语TTS音节级建模方案MOS达到4.28；BPE建模方案MOS达到4.35。这说明，星辰藏语TTS生成的声音在流畅度、自然感和整体听感上更具优势，不只是“能读出来”，而是更接近真实、自然的语言表达。
在读音准确率方面，头部厂商商业藏语TTS API为93.8%；星辰藏语TTS音节级建模方案达到97.6%；BPE建模方案达到96.6%。对于藏语这样的低资源语言来说，读音准确率的提升尤为重要。因为在教育学习、政务服务、客服问答、文化传播等场景中，一个读音错误可能影响用户理解，也可能降低服务体验。
从评测结果看，星辰藏语TTS的优势不仅体现在“声音更好听”，也体现在“读得更稳、读得更准”。这充分验证了其在低资源藏语语音合成场景中的实用价值和技术优势。
多方言、超拟人、全链路
星辰语音大模型加速产业落地
藏语TTS的突破，是中电信人工智能科技有限公司持续深耕语音大模型能力的又一重要成果。目前，该能力已面向政务服务、基层治理、媒体传播、文化保护、教育辅助、客服热线等方向开展应用探索，支持私有化部署、标准API 调用和行业知识库适配。
当前，公司已打造多方言识别、超拟人合成、全链路自主的语音大模型体系，持续破解方言交互、情感语音、低时延推理等行业痛点；发布业内首个支持60种方言自由混说的语音识别大模型，并成为国内首家通过网信办“算法+服务”双备案的相关能力体系。在智慧客服、智慧家庭等场景中，多种方言语音识别准确率超过90%。从技术攻关到场景落地，星辰语音大模型正在把”听得懂、说得像、响应快、用得稳”变成智能语音服务的新能力。
从“天路”到云端，从实验室到真实场景，星辰语音大模型的探索，不断将技术的进步落到真实产业场景里，也为普惠智能服务加入语言能力这一关键拼图。
未来，中电信人工智能科技有限公司将持续推进星辰语音大模型能力迭代，面向少数民族语言、低资源语言、多方言交互和超拟人语音合成等方向深化技术攻关，不断提升智能语音的自然度、准确率和可用性。
让技术更懂语言，让服务更有温度，让智能语音沿着数字化“天路”，走进更广阔的民生与产业场景。
技术报告：https://arxiv.org/html/2605.02496v1
