An Automated End-to-End Open-Source Software for High-Quality Text-to-Speech Dataset Generation

要約

データの可用性は、音声ベースのテクノロジーを含む人工知能アプリケーションの進歩にとって非常に重要です。
特にソーシャル メディアにおけるコンテンツ作成では、エクスペリエンスの需要が高まり、翻訳および音声合成 (TTS) テクノロジーが不可欠なツールとなっています。
特に、これらの TTS テクノロジのパフォーマンスはトレーニング データの品質に大きく依存しており、データの可用性とテクノロジの進歩の相互依存性が強調されています。
このペーパーでは、高品質データに対するこの重要なニーズに対処するために、音声合成 (TTS) モデル用の高品質データセットを生成するエンドツーエンド ツールを紹介します。
この作業の貢献は多岐にわたり、言語固有の音素分布のサンプル選択への統合、録音プロセスの自動化、自動化された人間参加型の録音品質保証、指定された形式を満たすための録音の処理が含まれます。
。
提案されたアプリケーションは、これらの機能を通じて TTS モデルのデータセット作成プロセスを合理化し、それによって音声ベースのテクノロジーの進歩を促進することを目的としています。

要約(オリジナル)

Data availability is crucial for advancing artificial intelligence applications, including voice-based technologies. As content creation, particularly in social media, experiences increasing demand, translation and text-to-speech (TTS) technologies have become essential tools. Notably, the performance of these TTS technologies is highly dependent on the quality of the training data, emphasizing the mutual dependence of data availability and technological progress. This paper introduces an end-to-end tool to generate high-quality datasets for text-to-speech (TTS) models to address this critical need for high-quality data. The contributions of this work are manifold and include: the integration of language-specific phoneme distribution into sample selection, automation of the recording process, automated and human-in-the-loop quality assurance of recordings, and processing of recordings to meet specified formats. The proposed application aims to streamline the dataset creation process for TTS models through these features, thereby facilitating advancements in voice-based technologies.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google