論文の概要: Towards a Phonology-Informed Evaluation of Multilingual TTS

• arxiv url: http://arxiv.org/abs/2607.01965v1
• Date: Thu, 02 Jul 2026 09:57:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 19:45:08.780706
• Title: Towards a Phonology-Informed Evaluation of Multilingual TTS
• Title（参考訳）: 多言語TSの音韻インフォームド評価に向けて
• Abstract要約: ニューラルTSシステムは言語間で自然に聞こえるが、自然性は、単語と文法形式を区別する音のコントラストの保存を保証するものではない。 本稿では,人間の音声をベンチマークとして,TTS出力を言語固有の音韻パターンに対して評価する分類器ベースのフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 3.0071070245633127
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neural TTS systems can sound natural across languages, but naturalness does not guarantee the preservation of sound contrasts that distinguish words from their grammatical forms. Standard metrics like MOS do not test for this. We propose a classifier-based framework that audits TTS output against language-specific phonological patterns using human speech as a benchmark. Testing Assamese advanced tongue root (ATR) vowel harmony with Meta's MMS TTS, we show that a classifier trained on human speech transfers to synthesized speech with minimal loss. The faithfulness audit reveals that [+ATR] mid vowels are realized as [-ATR] in 1/3 tokens despite an underlying [+ATR] specification, a bias absent in human speech. At the word level, predicted ATR labels classify harmony more accurately than transcription labels, indicating a gap between intended and produced phonology. The framework offers task-specific diagnostics and generalizes to other phonological contrasts with measurable acoustic cues.
• Abstract（参考訳）: ニューラルTSシステムは言語間で自然に聞こえるが、自然性は、単語と文法形式を区別する音のコントラストの保存を保証するものではない。 MOSのような標準メトリクスは、このためにテストしません。 本稿では,人間の音声をベンチマークとして,TTS出力を言語固有の音韻パターンに対して評価する分類器ベースのフレームワークを提案する。 Assamese Advanced tongue root (ATR) vowel harmony with Meta's MMS TTS, we show that a classifiers training on human speech transfers to synthesis speech with minimal loss。 忠実度監査では、[+ATR]中間母音は、[+ATR]仕様の根底にあるものの1/3トークンでは[-ATR]として実現され、人間の発話にはバイアスが欠落していることが明らかになった。 単語レベルでは、予測されたATRラベルは、転写ラベルよりも正確に調和を分類し、意図された音韻と生成された音韻のギャップを示す。 このフレームワークはタスク固有の診断を提供し、測定可能な音響的手がかりと他の音韻学的コントラストに一般化する。

関連論文リスト

• Beyond Naturalness: Probing Automated Text-To-Speech Evaluators on Linguistically Grounded Dimensions [3.2559302660048597]
  テキスト・トゥ・スピーチ (TTS) 評価法は, 人間の知覚を反映することが期待される。 リスナーが実際に知覚する音声の異なる側面をいかにうまく捉えているかは、はっきりしない。 訓練言語学習者による860の発話を含むTSの1段階メタ評価ベンチマークを構築した。
  論文  参考訳（メタデータ） (2026-08-10T17:59:51Z)
• Domain-Specific Evaluation of Text-to-Speech Systems: A Multi-Metric Benchmarking Study [1.224954637705144]
  本稿では,現代のTSシステムのシステム評価のための再現可能なマルチメトリックベンチマークフレームワークを提案する。 Indic-Parler-TTS, MMS-TTS, Microsoft Edge TTS, Google Gemini TTSの4つの最先端TSシステムを評価した。 その結果、音声領域間でのTTS性能のかなりの変動が明らかとなり、感情的な音声は、常に最大の合成課題を提示する。
  論文  参考訳（メタデータ） (2026-08-03T13:49:11Z)
• Quantifying Speaker Embedding Phonological Rule Interactions in Accented Speech Synthesis [44.55147169458465]
  アクセント付き音声合成における話者埋め込みと言語的に動機付けられた音韻規則の相互作用を分析する。 実験により、規則と埋め込みを組み合わせることで、より真正なアクセントが得られることが示された。 本研究は,アクセント制御のためのレバーとして,および音声生成における歪み評価のための枠組みとして,ルールを強調した。
  論文  参考訳（メタデータ） (2026-01-20T19:25:33Z)
• Towards Inclusive Communication: A Unified Framework for Generating Spoken Language from Sign, Lip, and Audio [52.859261069569165]
  音声テキスト生成のための手話,唇の動き,音声の多様な組み合わせを扱える最初の統一フレームワークを提案する。 i)不均一な入力を効果的に処理できる統一されたモダリティ非依存アーキテクチャの設計、(ii)モダリティ間の過小評価された相乗効果の探索、特に手話理解における非手動的手がかりとしての唇運動の役割、(iii)個々のタスクに特化した最先端モデルと同等以上のパフォーマンスを達成すること、の3つの目的に焦点をあてる。
  論文  参考訳（メタデータ） (2025-08-28T06:51:42Z)
• Languages in Multilingual Speech Foundation Models Align Both Phonetically and Semantically [58.019484208091534]
  事前訓練された言語モデル(LM)における言語間アライメントは、テキストベースのLMの効率的な転送を可能にしている。 テキストに基づく言語間アライメントの発見と手法が音声に適用されるかどうかについては、未解決のままである。
  論文  参考訳（メタデータ） (2025-05-26T07:21:20Z)
• An Initial Investigation of Language Adaptation for TTS Systems under Low-resource Scenarios [76.11409260727459]
  本稿では,最近のSSLベースの多言語TSシステムであるZMM-TTSの言語適応性について検討する。 本研究では,事前学習言語と対象言語との音声学的な類似性が,対象言語の適応性能に影響を及ぼすことを示す。
  論文  参考訳（メタデータ） (2024-06-13T08:16:52Z)
• A Vector Quantized Approach for Text to Speech Synthesis on Real-World Spontaneous Speech [94.64927912924087]
  我々は、YouTubeやポッドキャストから現実の音声を使ってTSシステムを訓練する。 最近のText-to-Speechアーキテクチャは、複数のコード生成とモノトニックアライメントのために設計されている。 近年のテキスト・トゥ・スペーチ・アーキテクチャは,いくつかの客観的・主観的尺度において,既存のTSシステムより優れていることを示す。
  論文  参考訳（メタデータ） (2023-02-08T17:34:32Z)
• Prosody-controllable spontaneous TTS with neural HMMs [11.472325158964646]
  小型で不規則なデータセットから素早く学習できるTSアーキテクチャを提案する。 我々は既存のニューラルHMMベースのTSシステムに発話レベルの韻律制御を加える。 本研究では,2種類の難聴音声を合成するシステムの性能を評価する。
  論文  参考訳（メタデータ） (2022-11-24T11:06:11Z)
• Cross-lingual Low Resource Speaker Adaptation Using Phonological Features [2.8080708404213373]
  我々は、異なる言語に共通する音韻的特徴のセットに基づいて、言語に依存しないマルチスピーカモデルを訓練する。 対象話者データの32と8の発声で、対応する文献に匹敵する高い話者類似度スコアと自然性を得る。
  論文  参考訳（メタデータ） (2021-11-17T12:33:42Z)
• Towards Language Modelling in the Speech Domain Using Sub-word Linguistic Units [56.52704348773307]
  音節や音素を含む言語単位に基づくLSTMに基づく新しい生成音声LMを提案する。 限られたデータセットでは、現代の生成モデルで要求されるものよりも桁違いに小さいので、我々のモデルはバブリング音声を近似する。 補助的なテキストLM,マルチタスク学習目標,補助的な調音特徴を用いた訓練の効果を示す。
  論文  参考訳（メタデータ） (2021-10-31T22:48:30Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。