Vāgdhenu: un sistema TTS que entona ślokas en sánscrito con métrica automática
Vāgdhenu: A Sanskrit Chanting TTS System
Vāgdhenu es un sistema de síntesis de voz que convierte versos sánscritos en recitaciones cantadas (pārāyaṇa). Detecta automáticamente el metro del verso y genera el canto correspondiente. El modelo, basado en flow-matching, fue reentrenado con un corpus de ~5 horas de canto sánscrito de un solo hablante y alcanza un MOS de ~4.6. Incluye un frontend que maneja la ortografía kannada para evitar la elisión de schwa, y reglas de sandhi para visarga y otros fenómenos fonéticos. También se presentan dos despliegues a gran escala: el Mahābhārata Tātparya Nirṇaya (5,183 versos) y el Śrīmad Bhāgavatam (~18,000 versos), junto con una app gratuita y un tutor de canto.
El modelo reentrenado alcanza un MOS experto de aproximadamente 4.6, y las consonantes densas —incluidas las aspiradas retroflejas— se pronuncian correctamente, la clase que las arquitecturas anteriores no podían resolver.