合成音声品質評価のためのフレシェ音声距離の理解

要約

合成音声の品質評価において、主観評価の代替となるFréchet Speech Distance（FSD）とSpeech Maximum Mean Discrepancy（SMMD）の信頼性を包括的に検証した研究です。多様な埋め込み表現を比較した結果、WavLM Base+が人間の評価と最も安定して一致することが判明しました。

全文は有料プランで閲覧できます。