Implementation of Turkish Text-to-Speech Synthesis on a Voice Synthesizer Card With Prosodic Features

Tora, Hakan; Uslu, Ibrahim Baran; Karamehmet, Timur

doi:10.18038/aubtda.283172

Cited by 3 publications

(4 citation statements)

References 10 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…When the studies on TTS in Turkish were reviewed, it could be seen that studies are conducted to prepare syllable-based datasets and diphone-based datasets [42,43]. However, corpus-based datasets should be prepared for statistical parametric speech synthesis and DL-based speech synthesis systems.…”

Section: Preparing a Tts Corpusmentioning

confidence: 99%

“…Combinational speech synthesis studies were conducted not only based on softwarebased, but also on hardware. The RC8660 speech synthesis platform was used in the Turkish speech synthesis system carried out by Hakan et al [42]. The RC8660 uses the merging method, one of the TTS techniques, for the speech synthesis task [42].…”

Section: Comparison With Previous Turkish Tts Systemsmentioning

confidence: 99%

“…The RC8660 speech synthesis platform was used in the Turkish speech synthesis system carried out by Hakan et al [42]. The RC8660 uses the merging method, one of the TTS techniques, for the speech synthesis task [42]. The pre-recorded speech units were combined in a rule-based way.…”

Section: Comparison With Previous Turkish Tts Systemsmentioning

confidence: 99%

See 2 more Smart Citations

A Novel End-to-End Turkish Text-to-Speech (TTS) System via Deep Learning

Oyucu

2023

Electronics

View full text Add to dashboard Cite

Text-to-Speech (TTS) systems have made strides but creating natural-sounding human voices remains challenging. Existing methods rely on noncomprehensive models with only one-layer nonlinear transformations, which are less effective for processing complex data such as speech, images, and video. To overcome this, deep learning (DL)-based solutions have been proposed for TTS but require a large amount of training data. Unfortunately, there is no available corpus for Turkish TTS, unlike English, which has ample resources. To address this, our study focused on developing a Turkish speech synthesis system using a DL approach. We obtained a large corpus from a male speaker and proposed a Tacotron 2 + HiFi-GAN structure for the TTS system. Real users rated the quality of synthesized speech as 4.49 using Mean Opinion Score (MOS). Additionally, MOS-Listening Quality Objective evaluated the speech quality objectively, obtaining a score of 4.32. The speech waveform inference time was determined by a real-time factor, with 1 s of speech data synthesized in 0.92 s. To the best of our knowledge, these findings represent the first documented deep learning and HiFi-GAN-based TTS system for Turkish TTS.

show abstract

Section: Preparing a Tts Corpusmentioning

confidence: 99%

Section: Comparison With Previous Turkish Tts Systemsmentioning

confidence: 99%

See 1 more Smart Citation

A Novel End-to-End Turkish Text-to-Speech (TTS) System via Deep Learning

Oyucu

2023

Electronics

View full text Add to dashboard Cite

show abstract

“…Türkçe TTS sistemleri üzerine yapılan çalışmalar incelendiğinde hece tabanlı veri kümeleri ve difon tabanlı veri kümeleri hazırlamaya yönelik çalışmaların gerçekleştirildiği görülmüştür [46,47]…”

Section: Konuşma Sentezleme İçi̇n Türkçe Veri̇ Kümesi̇ni̇n Hazirlanm...unclassified

Türkçe Konuşma Sentezleme Sistemlerinin Geliştirilmesi için Dengeli Bir Veri Kümesi Hazırlama

CÜCEN,

OYUCU,

POLAT

2023

Bilişim Teknolojileri Dergisi

View full text Add to dashboard Cite

Konuşma sentezleme sistemleri insan-bilgisayar etkileşiminin önemli bir parçasıdır. Konuşma sentezleme ile bir metne karşılık gelen konuşma dalga formu üretilmektedir. Elde edilen dalga formu insanların duyabileceği bir ses verisine dönüştürülmektedir. Konuşma sentezleme sistemlerinin başarısı, geliştirme kaynaklarının yetersizliği nedeni ile farklı diller için aynı düzeyde değildir. Bir konuşma sentezleme sisteminin verimli bir şekilde eğitilmesi için ulaşılabilir, büyük bir veri kümesine ihtiyaç duyulmaktadır. Türkçe gibi kaynak yetersizliği olan diller için bu tür veri kümelerinin eksikliği, Türkçe konuşma sentezleme sistemleri geliştirmenin önündeki en büyük engellerden biridir. Büyük boyutlu bir veri kümesi hazırlama oldukça zaman alan, zorlu ve maliyetli bir görevdir. Bu çalışmada, Türkçe konuşma sentezleme sistemlerinin geliştirilmesinde kullanılacak, doğallık ve anlaşılırlık başarısını arttıran, ulaşılabilir bir veri kümesinin oluşturulma süreci ve karşılaşılan zorluklar açıklanmıştır. Veri kümesi için daha önceden derlenen metin verisi, bir erkek konuşmacı tarafından İstanbul Türkçesi kullanılarak duygudan bağımsız olarak seslendirilmiştir. Metin verisi 109826 kelime içermektedir. Seslendirilen konuşma verisi yaklaşık 12 saat 38 dakika 59 saniye uzunluğundadır ve 22050 Hz. örnekleme frekansında kaydedilmiştir. Türkçe için hazırlanan bu veri kümesi daha önce İngilizce için hazırlanmış ve başarılı sonuçlar elde edilmiş “The LJ Speech Dataset” isimli veri kümesi ile karşılaştırılmış ve gelecekteki çalışmalar için öneriler sunulmuştur. Bu veri kümesi akademik düzeyde Türkçe konuşma sentezleme çalışmalarını teşvik etmek için geliştirilmiştir. Bu sayede, Türkçe konuşma sentezleme sistemlerinin geliştirilmesinde büyük bir eksikliğin giderileceğini umuyoruz.

show abstract