Ocena syntezy mowy przez testy odsłuchowe (MOS) oraz modele przewidujące MOS z nagrania, uzupełniane miarami zrozumiałości i podobieństwa mówcy.
Evaluating speech synthesis with listening tests (MOS) and models predicting MOS from audio, complemented by intelligibility and speaker-similarity measures.
Sprawdzanie, jak naturalnie brzmi głos wygenerowany przez komputer: przez słuchaczy albo model, który przewiduje ich ocenę.
Checking how natural a computer-made voice sounds, either with listeners or with a model that predicts their rating.
Głos może wypowiadać poprawne słowa, a mimo to brzmieć sztucznie lub męcząco, czego żadna prosta liczba nie wychwytuje.
A voice can say the right words and still sound robotic or tiring, which no simple count catches.
Słuchacze dają nagraniom oceny od 1 do 5; potem model uczy się je przewidywać, jak stroiciel, który słyszy fałsz bez pytania publiczności.
Listeners rate clips from 1 to 5; a model then learns to predict those ratings, like a tuner who hears off notes without asking the audience.
Twórca audiobooków porównuje dwa syntetyczne głosy lektora i wybiera ten, który słuchacze w teście uznali za mniej męczący.
An audiobook producer compares two synthetic narrator voices and picks the one listeners in a test found less tiring.