Optimizing Filipino Text-to-Speech Synthesis: Integration of Generative Models
Notice bibliographique
Résumé
This paper explored the development of an optimized text-to-speech (TTS) system for Filipino by integrating two advanced generative models: FastSpeech 2 and Tacotron 2. Since Filipino is a low-resource language for TTS, we leveraged the Filipino Speech Corpus—which includes over 150 hours of annotated audio—to create model-specific datasets. Preprocessing steps using the Montreal Forced Aligner, phoneme-level pitch and energy normalization were implemented in FastSpeech2 to ensure precise spectral mapping. In contrast, Tacotron 2 was trained on gender-specific datasets to better capture natural prosody variations. Each synthesis pipeline paired its model with a state- of-the-art vocoder: WaveGlow for Tacotron 2 and a universal HiFi-GAN for FastSpeech 2.Objective evaluation was performed using the mel-cepstral distance metric to compare the spectral characteristics of the synthesized speech against ground truth recordings. Subjective listening tests including Mean Opinion Score (MOS) assessments and AB tests were conducted in a controlled lab environment in which the insights were provided to analyze perceptual naturalness and intelligibility of synthesized speech. Overall, the results indicate that while both models contribute to improving Filipino TTS, the FastSpeech 2 surpassed Tacotron 2 in MCD however Tacotron 2 produced higher MOS ratings and more natural-sounding speech than FastSpeech 2.This study offers a useful framework and insights in enhancing TTS systems despite using low-resource languages, which could help expand access to digital voice applications and guide future research in speech synthesis.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».