日本語タイトル#
ゼロショットテキストから音声への変換を黄金音声生成器として：体系的フレームワークと自動発音評価における適用性
英文タイトル#
Zero-Shot Text-to-Speech as Golden Speech Generator: A Systematic Framework and its Applicability in Automatic Pronunciation Assessment
日本語要約#
第二言語（L2）学習者は、黄金音声を模倣することで発音を向上させることができ、特にその音声がそれぞれの音声特性と一致する場合に効果的です。本研究は、ゼロショットテキストから音声への変換（ZS-TTS）技術を使用して生成された学習者特有の黄金音声が、L2 学習者の発音熟練度を測定するための有効な指標として利用できるという仮説を探ります。この探索に基づいて、本研究の貢献は少なくとも 2 つの側面があります：1）合成モデルが黄金音声を生成する能力を評価するための体系的フレームワークの設計と開発、2）自動発音評価（APA）における黄金音声の有効性に関する詳細な調査。L2-ARCTIC および Speechocean762 ベンチマークデータセットで実施された包括的な実験は、いくつかの先行研究と比較して、提案されたモデルがさまざまな評価指標において性能を大幅に向上させることを示唆しています。私たちの知る限り、本研究は ZS-TTS と APA の両方における黄金音声の役割を探求した初めてのものであり、コンピュータ支援発音訓練（CAPT）に対する有望な手法を提供します。
英文要約#
Second language (L2) learners can improve their pronunciation by imitating golden speech, especially when the speech that aligns with their respective speech characteristics. This study explores the hypothesis that learner-specific golden speech generated with zero-shot text-to-speech (ZS-TTS) techniques can be harnessed as an effective metric for measuring the pronunciation proficiency of L2 learners. Building on this exploration, the contributions of this study are at least two-fold: 1) design and development of a systematic framework for assessing the ability of a synthesis model to generate golden speech, and 2) in-depth investigations of the effectiveness of using golden speech in automatic pronunciation assessment (APA). Comprehensive experiments conducted on the L2-ARCTIC and Speechocean762 benchmark datasets suggest that our proposed modeling can yield significant performance improvements with respect to various assessment metrics in relation to some prior arts. To our knowledge, this study is the first to explore the role of golden speech in both ZS-TTS and APA, offering a promising regime for computer-assisted pronunciation training (CAPT).
PDF 取得#
抖音でスキャンしてさらに素晴らしいコンテンツを見る