Synthetic Speech Evaluation by 2D GMM Classification in Pleasure-Arousal Scale
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F49777513%3A23520%2F20%3A43959712" target="_blank" >RIV/49777513:23520/20:43959712 - isvavai.cz</a>
Výsledek na webu
<a href="https://ieeexplore.ieee.org/document/9163559" target="_blank" >https://ieeexplore.ieee.org/document/9163559</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1109/TSP49548.2020.9163559" target="_blank" >10.1109/TSP49548.2020.9163559</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Synthetic Speech Evaluation by 2D GMM Classification in Pleasure-Arousal Scale
Popis výsledku v původním jazyce
The paper is focused on a description of a system for automatic evaluation of synthetic speech quality based on two-dimensional detection in the Pleasure-Arousal (P-A) scale. The original speech material of a speaker used for synthesis is compared with the synthesized one to find similarities/differences between them. For continual P-A detection, the Gaussian mixture model (GMM) classifier is used. The GMM models of the P-A classes are created and trained using the sound/speech material from the database labelled directly in the P-A scale without any relation with the used original speech or the tested sentences. The basic experiments confirm the principal functionality of the developed system. Additional analysis shows the great importance of the proper selection of the number of mixtures, and the used type of the sound/speech database for GMM models building. The obtained objective evaluation results are highly correlated with the subjective ratings of human evaluators.
Název v anglickém jazyce
Synthetic Speech Evaluation by 2D GMM Classification in Pleasure-Arousal Scale
Popis výsledku anglicky
The paper is focused on a description of a system for automatic evaluation of synthetic speech quality based on two-dimensional detection in the Pleasure-Arousal (P-A) scale. The original speech material of a speaker used for synthesis is compared with the synthesized one to find similarities/differences between them. For continual P-A detection, the Gaussian mixture model (GMM) classifier is used. The GMM models of the P-A classes are created and trained using the sound/speech material from the database labelled directly in the P-A scale without any relation with the used original speech or the tested sentences. The basic experiments confirm the principal functionality of the developed system. Additional analysis shows the great importance of the proper selection of the number of mixtures, and the used type of the sound/speech database for GMM models building. The obtained objective evaluation results are highly correlated with the subjective ratings of human evaluators.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
20205 - Automation and control systems
Návaznosti výsledku
Projekt
<a href="/cs/project/GA19-19324S" target="_blank" >GA19-19324S: Plně trénovatelná syntéza české řeči z textu s využitím hlubokých neuronových sítí</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2020
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
2020 43nd International Conference on Telecommunications and Signal Processing (TSP)
ISBN
978-1-72816-376-5
ISSN
—
e-ISSN
—
Počet stran výsledku
4
Strana od-do
10-13
Název nakladatele
IEEE
Místo vydání
New York
Místo konání akce
Milan, Italy
Datum konání akce
7. 7. 2020
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
000577106400003