پژوهش
معیار NepTTS-Bench برای ارزیابی گفتار مصنوعی نپالی معرفی شد
این بنچمارک با امتیازدهی ۱۸۰ گویشور، ۱۰ پیکربندی تبدیل متن به گفتار و دو نمونهٔ انسانی را مقایسه می‌کند؛ پژوهشگران می‌گویند معیار خودکار SCOREQ به سیستم‌های اختصاصی مانند ElevenLabs امتیاز بیشتری می‌دهد.
پژوهشگران در پیش‌چاپی در arXiv، مجموعهٔ ارزیابی NepTTS-Bench را برای مقایسهٔ سیستم‌های تبدیل متن به گفتار (TTS) نپالی معرفی کرده‌اند؛ حوزه‌ای که به‌گفتهٔ آن‌ها با وجود چندین سیستم، معیار ارزیابی مشترکی نداشت.
این بنچمارک شامل ۲۰۵ جمله است که ۷۷ مورد آن جفت‌های کمینه برای سنجش تمایزهای واج‌شناختی نپالی، از جمله دمش، تفاوت واکه‌های برگشته و دندانی، خیشومی‌شدن، تشدید و حذف شوا است. در مجموع ۱۸۰ گویشور ۶٬۹۶۲ ارزیابی برای ۱۰ پیکربندی TTS و دو نمونهٔ مرجع انسانی ثبت کرده‌اند. پژوهشگران همچنین هفت سامانهٔ تشخیص خودکار گفتار را با معیار CER در فرایند رفت‌وبرگشت متن‌ـ‌گفتار سنجیده و SCOREQ را به‌عنوان خط پایهٔ خودکار به کار برده‌اند.
بر اساس بخش موجود از چکیده، SCOREQ به سیستم‌های اختصاصی مانند ElevenLabs ترجیح می‌دهد. متن منبع در میانهٔ توضیح یافتهٔ اصلی قطع شده است؛ بنابراین جزئیات بیشتر دربارهٔ مقایسهٔ ارزیابی خودکار با داوری گویشوران در دسترس نیست.
این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.
منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗
پیش‌چاپ پژوهشی در arXiv؛ انتشار در این مخزن به معنی داوری همتا نیست
رد این داستان در رادار
خبرهای مرتبط از آرشیو منتشرشده