QS-TTS：通过向量量化自监督语音表征学习实现半监督文本转语音合成

基于摘要分析。本文研究如何利用更多无标注语音音频，降低文本转语音合成（TTS）对监督数据的需求，提出半监督框架 QS-TTS。核心贡献是利用两个生成式向量量化自监督语音表征学习器，为 TTS 提供语音表征与预训练模型。 机制上，主学习器将 MSMC-VQ-GAN 与对比式自监督语音表征学习结合，构建生成式 Multi-Stage Multi-Codebook（MSMC，多阶段多码本）表征，并将其解码回音频；辅助学习器再通过 VQ-VAE，将 MSMC 表征进一步抽象为高度紧凑的向量量化表征。摘要未给出具体损失形式、训练阶段之间的衔接方式，以及表征和预训练模型接入 TTS 的细节。 作者报告，在多种场景的主观与客观测试中，QS-TTS 相较所比较的监督及半监督 TTS 基线获得最高 MOS，低资源场景下优势尤其明显；在语音表征及迁移学习方法的比较中，作者报告其音频质量和可懂度指标表现最佳，且随监督数据减少，合成质量下降更缓慢。摘要未提供数据集、监督与无标注数据规模、划分方式、基线名称、具体数值及统计不确定性，因此这些结论仅适用于作者所述实验范围，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其机制可提出一个面向 EEG 的假设，即先用无标注信号学习可重建的多码本表征，再压缩为紧凑离散表征，可能有助于小样本下游解码；但原论文研究对象是语音合成，并非 BCI。迁移需改造信号编码与重建模块、跨通道建模及对比样本构造，低信噪比、跨被试差异和小数据可能导致码本利用不足或保留无关噪声。可在固定跨被试划分和标注预算下，对比两级量化、单级量化与无量化预训练的下游解码表现，检验压缩是否带来收益；相关 EEG 工作尚未检索确认。