Porovnání a analýza syntetizátorů řeči

Abstract

Práce se zabývá nejvíce používanými a nejznámějšími přístupy k syntéze řeči se zaměřením na moderní systémy pro převod textu na řeč. V práci jsou dále shrnuty datové sady používány pro trénování a adaptaci syntetizátorů řeči a metriky pro evaluaci syntetizovaného audia, jako je například Mean Opinion Score (MOS). Dále jsou studovány možnosti adaptace již existujících syntetizátorů na specifického mluvčího s omezeným množstvím dat. Je navrhnut evaluační systém pro evaluaci syntetizovaného audia s možností evaluace audií buďto intrusivní metodou, která vyžaduje referenční vzorky, nebo ne-intrusivní metodou vyžadující pouze syntetizované vzorky. Navrhnutý evaluační systém je využit pro evaluaci syntetizovaných audií z vybraných, veřejně dostupných a používaných systémů pro převod textu na řeč.

This thesis aims to analyze some of the most known speech synthesis approaches, focusing on current State-of-The-Art (SOTA) Text-to-Speech (TTS) systems. The thesis further summarizes datasets used to train or adapt speech synthesizers and audio evaluation metrics used to evaluate synthesized speech, such as Mean Opinion Score (MOS). The thesis further studies the adaptation of available TTS models to a specific speaker on a limited dataset. An evaluation system for synthesized speech is proposed, capable of evaluating generated samples either in non-intrusive, where no reference samples are needed, or in intrusive mode, which requires reference samples. The evaluation system is then used to evaluate the synthesized samples generated using some commonly known and utilized TTS systems.