VITS 与 Style-BERT-VITS2 日语人物文本语音的表达性比较评估
计算与语言
2025-12-02 v2 声音
音频与语音处理
摘要
合成带有音高-重音敏感性和风格变异性的日语人物语音具有独特的挑战。本文对两个开源文本语音模型——VITS 和 Style-BERT-VITS2 JP Extra (SBV2JE)—在基于人物的日语语音上的表现进行经验性评估。我们使用三个角色特定数据集，对模型在自然度（平均意见评分和比较平均意见评分）、可理解性（词错误率）和说话者一致性方面进行评估。SBV2JE 在自然度上与人类基准相当（MOS 4.37 对 4.38），实现更低的 WER，并在 CMOS 中略胜一筹。虽然计算需求更高，SBV2JE 仍因受益于音高-重音控制和基于 WavLM 的判别器，对于语言学习和人物对话生成等应用表现出色。
引用
@article{arxiv.2505.17320,
title = {Comparative Evaluation of Expressive Japanese Character Text-to-Speech with VITS and Style-BERT-VITS2},
author = {Zackary Rackauckas and Julia Hirschberg},
journal= {arXiv preprint arXiv:2505.17320},
year = {2025}
}
备注
Accepted to IEEE UEMCON 2025