本文へスキップ

seed-tts-eval

ゼロショット音声生成を測る客観的なテストセット

公式サイトを見る

seed-tts-eval とは

本テストセットは分野をまたぐゼロショット音声生成の客観評価向けと紹介され、英語と中国語の公開コーパスからサンプルを取る。Common Voice の 1000 件と DiDiSpeech-2 の 2000 件を用い、客観的な指標でモデルを測ると説明される。

できること

  • Word Error Rate と Speaker Similarity でモデルを測る
  • ゼロショット TTS と音声変換の課題を評価する
  • 用意されたリンクからテストセットのサンプルを取得する

評価の構成

  • Common Voice の 1000 件と DiDiSpeech-2 の 2000 件を使う
  • 英語に Whisper-large-v3、中国語に Paraformer-zh を音声認識に用いる
  • 話者類似度の算出に WavLM-large モデルを使う

活用場面

  • 研究者が新しい音声合成モデルの性能を評価する
  • 開発者が異なる音声合成技術の効果を比べる
  • 教育の場で音声合成技術を教える教材として使う

導入の手順

  • テストセットの GitHub ページにアクセスする
  • README を読み依存関係と使い方を確かめる
  • 必要なテストセットのサンプルをダウンロードする
  • 用意された評価コードでモデルを評価する

長所と短所

✓ 良い点

  • テストセットのダウンロードリンクが用意される
  • ゼロショット TTS と VC の両課題を評価できる

! 注意したい点

  • サンプルは英語と中国語の公開コーパスに由来する
  • 話者類似度は WavLM-large モデルで測る

よくある質問

何を評価する?

ゼロショット音声生成を対象とし、TTS と音声変換の課題を含む。

どの指標を使う?

資料は Word Error Rate (WER) と Speaker Similarity (SIM) を挙げ、話者類似度に WavLM-large を用いる。

最終評価日: 2026-11-15

その他 AIオーディオツール ツール

すべて見る →

評価方法