Balalaika-Longform: русский корпус непрерывной речи для синтеза длинных текстов

Balalaika-Longform исследует не обычный синтез коротких фраз, а непрерывное чтение русских текстов длиной до 15 минут без внешнего разбиения и перезапуска состояния. Корпус на 189 часов позволяет сравнить обучение на коротких окнах и на длинных последовательностях при одинаковом объёме исходных записей.

Метод. Для CosyVoice3 строятся короткий, длинный и длинный вариант с пунктуацией; затем тот же принцип проверяется на Qwen3-TTS, VoxCPM2 и F5-TTS. Все попытки сохраняются, включая раннее завершение, повторения и достижение лимита контекста. Основная проверка использует 50 пар «текст–голос» из 22 произведений и 21 невиданного голоса.

Результаты. На примерно 1200 словах CosyVoice3 после короткой настройки получает WER 99,9%, после длинной — 47,3%, а после длинной настройки с согласованным форматированием — 16,6% и полноту правильных слов 85,9%. Для Qwen3-TTS WER снижается с 88,0% до 35,2%, для VoxCPM2 — с 90,5% до 49,0%. F5-TTS улучшается лишь с 99,3% до 94,7%.

Ограничения. Корпус и оценка русскоязычные, основная выборка содержит лишь 22 длинных произведения. У моделей различаются предобучение и механизмы остановки, поэтому межархитектурный рейтинг условен. Нет полноценного MOS-прослушивания длинных записей, а пунктуационный вариант одновременно меняет источник расшифровки и формат.

Фишка из статьи. При коротком обучении модель часто не «ухудшает» конец, а просто прекращает говорить примерно на знакомой длине окна. Учёт всех попыток превращает это в WER около 100%; оценка только успешно завершённых файлов скрыла бы основной отказ.

Как это читать: длинные обучающие последовательности меняют прежде всего устойчивость состояния и решение об остановке. Пунктуация помогает только вместе с совпадением формата обучения и входа; статья не доказывает отдельный причинный эффект знаков препинания.