AutoMOS：学习非侵入式的语音自然度评估器
计算与语言
2016-11-29 v1 机器学习
机器学习
摘要
文本到语音合成器 (TTS) 的开发者通常利用人工评分员来评估合成语音的质量。我们证明，可以使用一个深度循环神经网络来建模人工评分员对合成语音的平均意见分 (MOS)，该网络的输入仅由原始波形组成。如 Pearson 和 Spearman 相关系数所示，我们最佳的模型提供的 MOS 话语级估计仅略逊于抽样的人工评分。当对多条话语进行评分并取平均时（这是合成器质量评估中常见的场景），AutoMOS 达到了接近人工评分员的相关系数。AutoMOS 模型具有诸多应用，例如无需人工介入即可探索语音合成器参数空间的能力。
引用
@article{arxiv.1611.09207,
title = {AutoMOS: Learning a non-intrusive assessor of naturalness-of-speech},
author = {Brian Patton and Yannis Agiomyrgiannakis and Michael Terry and Kevin Wilson and Rif A. Saurous and D. Sculley},
journal= {arXiv preprint arXiv:1611.09207},
year = {2016}
}
备注
4 pages, 2 figures, 2 tables, NIPS 2016 End-to-end Learning for Speech and Audio Processing Workshop