KAM RESURSLI TILLAR UCHUN MATNNI NUTQQA SAMARALI O‘TKAZISHDA O‘QITUVCHISIZ O‘RGATISH USULI.

Abstract

Abstrakt Ketma-ketlikdan ketma-ketlikka modellar Matndan nutqqa (TTS) sohasida muvaffaqiyatli qo'llanilmoqda. Ushbu modellar katta va aniq transkripsiya qilingan nutq korpusi yordamida inson nutqiga yaqin nutq yaratishi mumkin. Biroq, bunday katta ma'lumotlar to'plamini tayyorlash qimmat va juda ko’p mehnat talab qiladi. Ushbu muammoni yengillashtirish uchun biz ushbu maqolada yangi o'qituvchisiz o'rgatish mexanizmini taklif qilamiz. Aniqrog‘i, avval Vector-quantization Variational-Autoencoder (VQ-VAE) yordamida katta miqyosda, omma e'tiboriga havola qilingan va transkripsiya qilinmagan nutqdan o'qituvchisiz lingvistik birliklarni chiqaramiz. Keyin biz ketma-ketlikdan ketma-ketlikka TTS modelini <o'qituvchisiz lingvistik birliklar, audio> juftlari yordamida pre-training qilamiz. Oxir-oqibat, modelni maqsadli nutq so‘zlovchisidan kichik miqdordagi <matn, audio> juft ma'lumotlar bilan fine-tuning qilamiz. Natijada, obyektiv va subyektiv baholashlar shuni ko'rsatadiki, bizning taklif qilgan usulimiz bir xil miqdordagi juft ma'lumotlar bilan yanada aniq va tabiiy nutqni sintez qila oladi. Bundan tashqari, biz taklif qilingan usulni taxminiy past resursli tillarga kengaytiramiz va usulning samaradorligini obyektiv baholash yordamida tasdiqlaymiz.