Dan Wells, Korin Richmond The Centre for Speech Technology Research University of Edinburgh
This is the companion webpage for our paper on using phonological feature vectors as inputs for text-to-speech synthesis.
Our paper was accepted to the 2021 ISCA Speech Synthesis Workshop! You can read it here.
The table below presents a selection of the audio samples used in our listening tests. Each row represents a single test panel from our MUSHRA experiment, where participants rated each sample on a naturalness scale from 0–100.
System key
Overall, our best performing TTS systems were P-240-ft and F-240-ft, with no significant difference between the two. There was also no significant difference between fine-tuned systems using just 15 minutes of German data and those trained from scratch on 4 hours of German. While this suggests that fine-tuning a source model from a high-resource language is a viable approach in low-resource settings, we find no evidence that one input representation is better than the other in this context when it comes to subjective naturalness ratings. However, we did find that phonological features give a more natural voice when training on 4 hours of German speech only (F-240 > P-240). For more details on model setup and interpreting the results, please see the paper.
Input characters representing phonemes unique to German and unseen during English model training are highlighted below in red.
Ref | Copy | 240 | 240-ft | 15-ft | ||||
P | F | P | F | P | F | |||
Sie trug nichts bei sich als einen kleinen Vogel in einem winzigen Käfig. | ||||||||
Da trat ihre Lieblingsmagd, die Singende Seemuschel, herein und brachte einen zusammengerollten Brief. | ||||||||
Dem wackern Pehrson ins Auge blickend, wurde ihm heiter und mutig zu Sinn. | ||||||||
Dieser Novelle folgte eine andere und wieder eine andere, bis die Sonne hoch im Mittag über uns stand. | ||||||||
Der letzte Akt kam und die Szene, wo die gerettete Großmutter aus der Kabinentür kriecht und während des Schiffsunglücks nach Ilse schreit. | ||||||||
Ich mußte meine Zuflucht zu den Gestirnen nehmen und Euer Horoskop stellen, um das Geheimnis zu lösen. | ||||||||
Hanakes Herz war leichter. Sie trat aus dem Seegemach in das nebenanliegende Gemach, in das die Freunde hereindrängten. | ||||||||
Du gefällst mir gar wohl und sollst an mich fein denken, wenn ich wieder auf dem Meere bin. | ||||||||
Ich will mein Haar zum zweitenmal abschneiden und es den Tempelgöttern opfern. | ||||||||
Ich habe dein und mein Leben gerettet. Denn die Toten können sich nicht küssen, nur die Lebenden. Was hast du, Geliebter? |
The table below presents the progression of our P-240-ft and F-240-ft German voices as the corresponding English base models are fine-tuned. The first column represents zero-shot synthesis of German speech from the English base model. When using phoneme inputs, embeddings for German-specific phonemes are initialised with the embeddings of similar English phonemes from the base model. With phonological feature inputs, representations of German-specific phonemes are composed from representations of individual features in the base model directly.
Note: We re-initialise the stop token predictor of our Tacotron 2 model at the start of fine-tuning, so early checkpoints are more prone to utterance-final babbling than the source English model synthesising German phone strings on its own.
Steps | 0 | 500 | 1k | 2k | 5k | 10k | 20k | 60k | |
P | Sie trug nichts bei sich als einen kleinen Vogel in einem winzigen Käfig. | ||||||||
F | |||||||||
P | Da trat ihre Lieblingsmagd, die Singende Seemuschel, herein und brachte einen zusammengerollten Brief. | ||||||||
F | |||||||||
P | Dem wackern Pehrson ins Auge blickend, wurde ihm heiter und mutig zu Sinn. | ||||||||
F |