落语语音合成器与专业表演者的相似与差异何在？

我们一直致力于落语（一种类似单人脱口秀的传统日本语言表演艺术）的语音合成研究，目标是实现能真正娱乐观众的语音合成。本文提出一种新颖的评估方法，使用合成的落语语音以及由三位不同等级专业表演者演绎的真实落语语音。合成语音的自然度与真人语音相当，但其对听众的娱乐性低于任何等级的表演者。不过，我们获得了一些有趣的见解，指明了实现真正具有娱乐性的落语合成器所需解决的挑战。例如，自然度并非最重要的因素，尽管在常规语音合成领域它通常被视为最重要的评估点。更重要的因素是落语故事中内容的可理解性以及角色的区分性，而在这两方面合成落语语音相对于专业表演者均处于劣势。我们还发现，基频fo建模有待进一步改进以更好地娱乐观众。这些结果展示了迈向真正具有娱乐性的语音合成的重要步骤。