Vāgdhenu：专为梵语诵经打造的文本转语音系统

背景

Vāgdhenu 是一个面向梵语吟诵的文本转语音（TTS）系统，由印度科学学院（Indian Institute of Science, Bengaluru）的 Prathosh A P 教授开发。该系统旨在将梵语诗节（śloka）自动转换为符合格律（vṛtta）的吟诵音频。梵语作为一种古老的语言，其吟诵传统对格律、连音（sandhi）和发音细节要求极高，传统 TTS 系统难以准确处理。Vāgdhenu 通过专门训练的模型和流水线，解决了这一挑战，并已用于大规模语料库的生成，如《圣典博伽瓦谭》（Śrīmad Bhāgavatam）和《摩诃婆罗多旨归》（Mahābhārata Tātparya Nirṇaya）的完整吟诵录音。

核心内容

Vāgdhenu 是一个格律感知的梵语诗节转吟诵 TTS 系统。用户可以在任何印度文字（如天城文、卡纳达文等）中粘贴梵语诗节，系统会自动检测其格律。首次吟诵需要约 10–60 秒的模型预热时间。如果演示无法加载，可使用备用演示链接。

系统目前支持六种格律（vṛtta）的吟诵，包括已部署版本中使用的诗节。这些吟诵音频驱动了一个免费应用，用于完整《圣典博伽瓦谭》的朗读。该应用名为“भागवतवाणी”（Bhāgavatavāṇī），包含 12 篇（skandha）的全部内容，配有同步音频吟诵和逐行卡拉OK高亮显示，支持 10 种印度文字，可搜索任意诗节，传统索引，完全离线运行，免费无广告。

Vāgdhenu 的吟诵还驱动了一个辅助工具“वाग्बोधिनी”（Vāgbodhinī），这是一个梵语吟诵导师。用户粘贴任何诗节或散文（使用任何文字），即可听到 Vāgdhenu 生成的符合格律的参考吟诵，然后跟着吟诵。该系统使用一个梵语语音模型对每个音节进行评分，并指出需要改进的地方。该工具适用于古典（laukika）梵语。

Vāgdhenu 的技术核心是将格律诗节映射到其吟诵（pārāyaṇa）格式。其语音部分基于 flow-matching TTS 骨干网络，重新训练了一个专门录制的、精心设计的单说话人梵语吟诵语料库（约 5 小时），并进行了进一步的语音方向微调。神经声码器同样针对吟诵音域进行了微调。在训练好的模型周围，系统构建了一个完整的梵语吟诵流水线，包括：

• 文字感知的前端：将梵语文本通过卡纳达文正字法路由（避免天城文触发的印地语 schwa 删除现象）；
• visarga sandhi 处理，包括 jihvāmūlīya 和 upadhmānīya 变体；
• 送气音对比；
• 三个咝音和完整的卷舌音系列保持区分；
• 同部位化 anusvāra 和元音性 ṝ；
• 格律感知机制：检测格律并在半参考规则（half-reference rule）下选择匹配的参考。

微调后的模型达到了约 4.6 的专家平均意见得分（MOS），并且密集的连字（包括卷舌送气音）也能正确呈现，这是早期架构无法解决的问题。

该系统已大规模生成两个语料库：

• Mahābhārata Tātparya Nirṇaya：32 章，5183 诗节（约 17.5 小时），视频系列。
• Śrīmad Bhāgavatam：约 18,000 诗节，横跨 12 篇，卡拉OK视频系列。

关键要点

• Vāgdhenu 是一个格律感知的 TTS 系统，专为梵语吟诵设计，自动检测诗节格律并生成对应吟诵。
• 用户界面支持多种印度文字输入，首次吟诵需预热，提供备用演示。
• 系统已驱动两个主要应用：完整《圣典博伽瓦谭》离线朗读应用（Bhāgavatavāṇī）和梵语吟诵导师（Vāgbodhinī）。
• 技术核心包括 flow-matching TTS 骨干网络、5 小时单说话人梵语吟诵语料库、针对吟诵音域微调的神经声码器。
• 流水线中解决多个梵语语音学难点：schwa 删除问题、visarga 变体、送气音、咝音与卷舌音区分、同部位化鼻音、元音性 ṝ 等。
• 格律感知机制在“半参考规则”下选择匹配的参考吟诵。
• 模型在专家 MOS 上达到约 4.6，并且能正确处理密集连字（包括卷舌送气音），超越早期架构。
• 已生成两个大规模语料库，总时长约 17.5 小时（Mahābhārata Tātparya Nirṇaya）和约 18,000 诗节（Śrīmad Bhāgavatam）。

意义与影响

Vāgdhenu 代表了梵语数字人文领域的重要进展。它不仅为梵语吟诵提供了高质量的自动化方案，还通过免费应用和开放视频系列，使古老的梵语文本能够被更广泛的受众以听觉方式接触。该系统解决了此前 TTS 系统在梵语格律和复杂语音学上的难题，为其他低资源或语法复杂的语言的 TTS 开发提供了技术参考。此外，其离线应用和卡拉OK功能有助于梵语学习和发音训练，对语言保护、宗教文本传承以及教育都有积极意义。系统的开源或可扩展性尚未明确，但其技术路径（如 flow-matching、格律检测）可被类似项目借鉴。