Türkçe TTS Araştırmalarında Tacotron 2 ve HiFi-GAN Yaklaşımı

Türkçe metinleri doğal bir sesle okutmak, kelimeleri harf harf seslendirmekten çok daha karmaşık bir problemdir. Tonlama, duraklama, vurgu ve ses dalgasının ayrıntıları dinleme deneyimini belirler. Saadin Oyucu'nun 2023 yılında Electronics dergisinde yayımlanan çalışması, Türkçe metinden sese sentezinde derin öğrenme temelli bir yaklaşımı inceliyor.

Araştırmanın çıkış noktası

TTS sistemlerinin gelişiminde yalnızca model mimarisi değil, eğitim için kullanılabilir ses verisinin kapsamı da önemlidir. Araştırma, Türkçe için veri ve sentez sistemi geliştirme ihtiyacından hareket eder ve erkek konuşmacı kayıtları üzerinden bir sistem kurar.

Tacotron 2 ve HiFi-GAN ne yapar?

Makalede Tacotron 2 ve HiFi-GAN bileşenleri bir araya getirilmiştir. Genel olarak Tacotron 2, metin ile konuşmanın akustik temsili arasındaki ilişkiyi modelleyen bir yaklaşım sunar. HiFi-GAN ise akustik temsilden ses dalga biçimi üretmek için kullanılan sinir ağı tabanlı bir vocoder'dır.

Basitleştirilmiş iş akışı şöyledir:

Metin → Akustik özellik tahmini → Ses dalga biçimi üretimi → Dinleme

Bu işlem, bütün TTS ürünlerinin aynı mimariyi kullandığı anlamına gelmez. Modern ses üretim sistemlerinde farklı mimariler ve eğitim stratejileri kullanılmaktadır.

Makaledeki değerlendirme ne söylüyor?

Araştırma, test edilen sistem için dinleyici tabanlı 4,49 MOS değeri raporluyor. MOS, belirli bir deney grubunun algısal değerlendirmesidir. Bu sayı günümüzdeki bütün Türkçe ses sentez sistemleriyle doğrudan karşılaştırılabilecek evrensel bir puan veya DeepZeka ürün garantisi değildir.

Bu araştırma neden önemli?

Çalışma, Türkçe için veri hazırlama, akustik modelleme ve dalga biçimi üretimini bir arada ele alıyor. Türkçe TTS sistemleri geliştiren ekipler için model kadar veri hazırlığının, telaffuzun ve dinleyici testlerinin de önemini vurgulayan bir örnek oluşturuyor.

DeepZeka'nın metinden sese ürünlerini değerlendirirken de aynı yaklaşım geçerlidir: gerçek ses örnekleri dinlenmeli, farklı metin türleri denenmeli ve kullanılan sistemin güncel yetenekleri ayrıca incelenmelidir.

İlgili teknoloji: TTS İlgili platform: Konuşmatik