Towards a Vowel Formant Based Quality Metric for Text-to-Speech Systems: Measuring Monophthong Naturalness
Notice bibliographique
Résumé
This contribution proposes an objective, vowel formant based quality metric for assessing the naturalness of monophthongs synthesized by Text-to-Speech (TTS) systems. This could eliminate the need for time and resource-intensive perception-based mean opinion score metrics. We show that vowel space plots can serve as a basis for developing a more comprehensive, linguistically sound quality metric for TTS systems. In addition, our metric provides detailed insights on the quality of individual monophthongs, which could help with identifying areas for further optimization in TTS systems. We use a state-of-the-art neural TTS pipeline based on Tacotron and WaveGlow, trained on the LJ Speech dataset, to generate the same audio as in our validation set and compare the two sets of audio files. Our quality metric is automatically calculated using the Montreal Forced Aligner for aligning text and audio, Praat for measuring formant values and a custom R script to calculate the vowel spaces and their overlap. Our results show that the vowel spaces of the original audio and the synthesized audio overlap to a large extent, especially for the means and the central 75% of the data, with more variation when considering all data points. Furthermore, we show that there is considerable variation in the overlap of the vowel spaces of different monophthongs.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».