A hybrid statistical/unit-selection text-to-speech synthesis system for morphologically rich languages

Abstract

Metinden Konuşma Sentezleme (MKS) alanında en yaygın kullanılan iki teknik, BirimSeçmeli MKS (BMKS) ve Saklı Markov Modeli tabanlı MKS (SMKS) teknikleridir.MKS sistemleri son dönemlerde kullanılan en dominant teknik olarak ortaya çıkarken,SMKS sistemleri de gün geçtikçe artan popülaritesi ile öne çıkmaktadır. Her iki sisteminde kendine özgü avantaj ve dezavantajları bulunmaktadır. BMKS sistemleriçok başarılı olmalarına rağmen, dinleyicileri rahatsız eden ani süreksizlikler içermektedirler.SMKS sistemleri ise birim seçme algoritmasının ortaya çıkardığı bu hatalardanyoksundurlar. BMKS sistemleri, kullanılan ses veritabanının büyüklüğüyleorantılı olarak yüksek kalitede ses üretebilmektedir. SMKS sistemleri ise çok küçükbir saklama alanı kullandıklarından, daha yaygın olarak gömülü uygulamalarda tercihedilmektedir. Bu tez çalışmasında, morfolojik olarak zengin diller için, SMKS sisteminitemel alan ve veri kullanımını yine makul seviyede tutarak kalitesini arttırmayıhedefleyen bir melez istatistiksel/birim seçmeli MKS sistemi önerilmiştir. Öncelikle,iki sistemin karşılaştırması yapıldıktan sonra, önerilen melez sistemin ana fikri verilmiştir. Daha sonra melez sistem, geliştirilen temel SMKS sistemi ile birlikte ayrıntılı olarakanlatılmıştır. Temel ve melez sistemin performanslarının ölçülmesi için de, subjektifve objektif testler gerçekleştirilmiştir. Temel sistemin anlaşılabilirlik ve kalite puanlarının, literatürde İngilizce dili için yapılan çalışmalarda rapor edilen değerlerle benzer olduğu görülmüştür. AB tercih testlerinde ise, dinleyicilerin önerilen melez sistemitemel sisteme tercih ettikleri görülmüştür.

Two most prominent examples of Text-to-Speech (TTS) systems are Unit Selection based TTS (UTTS) and the Hidden Markov Model (HMM) based TTS (HTTS). UTTS has been the dominant approach of the last decade while HTTS has been increasingly getting more attention from the TTS research community. Both systems have distinct pros and cons. Despite its success, UTTS has some disadvantages such as the sudden discontinuities in speech which cause distraction whereas HTTS lacks of those artifacts. However, UTTS systems offer high quality speech given a huge unit database where the storage is not a problem. On the other hand, the small memory footprint requirement of HTTS systems makes them attractive for embedded devices. Here, a novel hybrid statistical/unit selection TTS system for morphologically rich languages is proposed. The proposed hybrid system aims at improving the quality of the baseline HTTS system while keeping the memory footprint small. First, the motivation of the proposed hybrid system is given after the comparison of both systems. Then the proposed hybrid system is presented along with the details of the baseline HTTS system. In order to assess the performances of proposed and baseline systems, the subjective and objective tests are conducted. Intelligibility and quality scores of the baseline system are comparable to the MOS scores of English reported in the Blizzard Challenge tests. Results of the AB preference tests revealed the listeners' preference for the hybrid system over the baseline system.