Türkçe Konuşma Sentezleme Sistemlerinin Geliştirilmesi için Dengeli Bir Veri Kümesi Hazırlama

Abstract

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.