評估文字到語音模型

在訓練期間，文字到語音模型最佳化的是預測的頻譜圖值和生成的頻譜圖值之間的均方誤差損失（或平均絕對誤差）。MSE 和 MAE 都鼓勵模型最小化預測頻譜圖和目標頻譜圖之間的差異。然而，由於 TTS 是一個一對多對映問題，即給定文字的輸出頻譜圖可以透過多種不同的方式表示，因此對生成的文字到語音 (TTS) 模型進行評估要困難得多。

與許多其他可以使用準確率或精確率等定量指標進行客觀衡量的計算任務不同，評估 TTS 嚴重依賴於主觀的人工分析。

TTS 系統最常用的評估方法之一是使用平均意見分數 (MOS) 進行定性評估。MOS 是一種主觀評分系統，允許人類評估者以 1 到 5 的等級對合成語音的感知質量進行評分。這些分數通常透過聽力測試收集，人類參與者在其中聽取和評估合成語音樣本。

TTS 評估難以開發客觀指標的主要原因之一是語音感知的性質是主觀的。人類聽眾對語音的各個方面有不同的偏好和敏感度，包括髮音、語調、自然度和清晰度。用一個單一的數值來捕捉這些感知上的細微差別是一項艱鉅的任務。同時，人類評估的主觀性使得比較和基準測試不同的 TTS 系統變得具有挑戰性。

此外，這種評估可能會忽略語音合成的某些重要方面，例如自然度、表現力和情感影響力。這些品質很難客觀量化，但在合成語音需要傳達類人品質並引發適當情感反應的應用中，它們非常重要。

總之，由於缺乏真正客觀的指標，評估文字到語音模型是一項複雜的任務。最常見的評估方法，即平均意見分數 (MOS)，依賴於主觀的人工分析。雖然 MOS 提供了有關合成語音質量的寶貴見解，但它也引入了可變性和主觀性。

< > 在 GitHub 上更新