Evaluación automática de la calidad del habla artificial

• Autores: Cossio Mercado, Christian Gustavo
• Año de publicación: 2023
• Idioma: español castellano
• Tipo de recurso: tesis doctoral
• Colaborador/a o director/a de tesis: Gurlekian, Jorge Alberto
• Materia: VOCES ARTIFICIALES; PROCESAMIENTO AUTOMATICO DEL HABLA; SISTEMAS DE CONVERSION DE TEXTO A HABLA; EVALUACION DE CALIDAD DE LA VOZ; PERCEPCION DEL HABLA; ARTIFICIAL VOICES; AUTOMATIC SPEECH PROCESSING; TEXT-TO-SPEECH SYSTEMS; VOICE QUALITY EVALUATION; SPEECH PERCEPTION
• Institución: Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales

El español es la principal lengua del continente americano y la cuarta más hablada en el mundo, además de la segunda con más hablantes nativos. Aún así, existen pocos sistemas con voces artificiales que soportan variantes locales, con sus diferencias fonéticas y de entonación, entre otras, como el español de Argentina. El desarrollo de un sistema de conversión de texto a habla (TTS) necesita de buenas bases de datos, y que estén procesadas y etiquetadas adecuadamente, lo que requiere trabajo intensivo de recursos humanos, en muchos casos, con tareas manuales. Así, luego de que se completó el desarrollo de una voz artificial se tiene que probar que su calidad es adecuada para las necesidades de sus futuros usuarios. Normalmente, se siguen varias iteraciones de evaluación y mejora de un sistema, de acuerdo al tiempo y los recursos disponibles. Este proceso suele ser largo, entre otras cosas, por el tiempo que toma la realización de las evaluaciones perceptuales con humanos. En una evaluación subjetiva del habla una persona emite juicios sobre distintas elocuciones, tanto artificiales como naturales, y expresa directa o indirectamente, cuán aceptables y agradables le son, además de realizar otras evaluaciones sobre las mismas, como, por ejemplo, qué bien articuladas están o si tienen algún tipo de defecto sonoro. Uno de los objetivos de estas evaluaciones es determinar qué características del habla se asocian con buenos puntajes de los evaluadores, de forma de identificar atributos del habla que permitirían la evaluación automática de los sistemas, 'copiando' los criterios humanos. Las pruebas clásicas para la evaluación perceptual de voces artificiales no evalúan completamente la experiencia del usuario, ya que no consideran totalmente el contexto en el cual se realizan las pruebas, y sólo se analizan en un contexto de laboratorio. Esto se plantea como el dilema principal de la evaluación de la calidad del habla. Este trabajo buscó diseñar métodos de evaluación automática de la calidad del habla artificial generada a través de Sistemas TTS para el español de Buenos Aires. Los métodos incluyen nuevas métricas y otras ya existentes, y tienen como base las características de la percepción humana de la voz, así como el procesamiento automático de los parámetros acústicos de la señal de habla.
Spanish is the main language in the Americas, and the fourth most spoken and the second with native speakers in the world. However, there are few systems that have artificial voices for local variants of this language, with their phonetical and intonational differences, among others, as Argentine Spanish. The development of a text-to-speech (TTS) system requires high-quality databases, what is a human resource intensive goal, mainly due to it includes manual tasks as tagging and audio editing. Once a first version of a voice is available, it is necessary to evaluate if it fulfils the needs of its future users. It is common practice to complete several iterations of evaluation and error correction cycles, as it is possible according to time and other available resources. This full process takes a long time to be completed, as human perceptual evaluations are highly time consuming. In speech subjective evaluation, a person has to make judgements about several natural and artificial utterances, and they have to answer explicitly or implicitly how acceptable and likeable they are, additionally to other assessments related to speech articulation and signal artifacts, among others. One of the main objetives of this type of evaluations is to determine which speech characteristics are associated to better perceptual evaluations from the listeners. Thus, it will be possible to 'copy' the human criteria, in order to automatically identify relevant features in order to evaluate the qualiy of a system. Standard test designs for the evaluation of artificial voices do not cover all the aspects related to user quality of experience, given they not present an ecological context for the tests, as they are only evaluated within laboratory setups. This might be the main issue in the evaluation of the quality of speech. This thesis was aimed at the design of methods for the automatic evalua- tion of the quality of artificial speech generated through TTS systems with Argentine or similar variants of Spanish. In this work, new metrics as well as other known indicators are explored, mainly based on features related to human perception of voice, based on automatic acoustic processing of speech signals.
Fil: Cossio Mercado, Christian Gustavo. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina.