零样文本语音合成作为黄金语音生成器：系统框架及其在自动语音评估中的应用
音频与语音处理
2025-07-29 v2 人工智能
摘要
第二语言 (L2) 学习者通过模仿黄金语音来提高发音，尤其是当该语音与其个人 speech characteristics 相匹配时。本研究探索了以零样文本语音合成 (ZS-TTS) 技术生成 learner-specific 黄金语音作为衡量 L2 学习者发音熟练度的有效指标的假设。基于此探索，本研究的贡献至少有两点：1) 设计并开发一种系统框架，用于评估合成模型生成黄金语音的能力；2) 深入探讨将黄金语音用于自动语音评估 (APA) 的有效性。在 L2-ARCTIC 和 Speechocean762 benchmark 数据集上进行的全面实验表明，我们提出的建模方法相对于各种评估指标以及一些先前方法可显著提升性能。鉴于本研究是首次探索黄金语音在 ZS-TTS 和 APA 中的作用，为计算机辅助语音训练 (CAPT) 提供了有前景的方案。
引用
@article{arxiv.2409.07151,
title = {Zero-Shot Text-to-Speech as Golden Speech Generator: A Systematic Framework and its Applicability in Automatic Pronunciation Assessment},
author = {Tien-Hong Lo and Meng-Ting Tsai and Yao-Ting Sung and Berlin Chen},
journal= {arXiv preprint arXiv:2409.07151},
year = {2025}
}
备注
SLaTE 2025