基于指标的方法为语音合成系统进行语音映射
音频与语音处理
2026-05-05 v1 人工智能
信号处理
摘要
本研究探讨了将语音映射作为文本语音合成（TTS）语音质量评估的框架。该研究分析了六种 TTS 模型，包括历史模型和近期模型。指标包括 crest factor、频谱平衡和语音峰显现性（CPPs）。我们研究了6个有影响力的 TTS 模型：Merlin、Tacotron 2、Transformer TTS、FastSpeech 2、Glow-TTS 和 VITS。结果表明，语音范围是模型能力的主要指标，VITS 在所测试模型中表现出最大的语音范围。Glow-TTS 在软音功能方面表现优异，由更高的频谱平衡指示，尽管其语音范围有限。结果显示，CPPs 在 7-8 dB 之间的值表明自然语音质量，而当 CPPs 超过 10 dB 时，语音倾向于呈机器人样。这些发现凸显了进行语音映射评估 vocal effort 的需要，捕捉 TTS 系统如何处理语音动态和表达性的能力。
引用
@article{arxiv.2605.00861,
title = {Voice Mapping of Text-to-Speech Systems: A Metric-Based Approach for Voice Quality Assessment},
author = {Huanchen Cai and Sten Ternström},
journal= {arXiv preprint arXiv:2605.00861},
year = {2026}
}