开放 TTS 有多开放？开源 TTS 工具的实用评估

摘要

开源文本转语音 (TTS) 框架已成为高度适应性的平台，用于开发跨多种语言的语音合成系统。然而，它们的适用性并不统一——特别是当目标语言资源不足或计算资源受到限制时。在这项研究中，我们系统地评估了使用四种广泛采用的开源架构构建新型 TTS 模型的可行性：FastPitch、VITS、Grad-TTS 和 Matcha-TTS。我们的评估涵盖多个维度，包括安装简易性、数据集准备和硬件要求等定性方面，以及罗马尼亚语合成质量的定量评估。我们采用客观指标和主观听力测试来评估生成语音的清晰度、说话者相似度和自然度。结果揭示了工具链设置、数据预处理和计算效率方面的重大挑战，这可能会阻碍在资源匮乏的环境中的采用。通过以可重复的协议和可访问的评估标准为基础进行分析，这项工作旨在为最佳实践提供信息并促进更具包容性、语言多样化的 TTS 开发。重现本研究所需的所有信息（即代码和数据）均可在我们的 git 存储库中找到：https://gitlab.com/opentts_ragman/OpenTTS