Podrobno

Razvoj slovenskega sistema za pretvorbo besedila v govor s parajezikovnimi zmožnostmi
ID Boštic, Rok (Avtor), ID Marolt, Matija (Mentor) Več o mentorju... Povezava se odpre v novem oknu

.pdfPDF - Predstavitvena datoteka, prenos (305,02 KB)
MD5: FF35095AAA05B2383DD7D19C65070FD9

Izvleček
V diplomskem delu razvijemo odprtokodni slovenski sistem za pretvorbo besedila v govor (TTS) z možnostjo vključevanja čustev in parajezikovnih glasovnih dogodkov kot so smeh, medmet in dihanje v sintetiziran govor. Ker za slovenski jezik primanjkuje ustrezno anotiranih podatkov, najprej razvijemo cevovod za avtomatsko anotacijo govornih posnetkov z glasovnimi dogodki in emocijami. Primerjamo klasične pristope detekcije zvočnih dogodkov in emocij s sodobnimi pristopi, ki temeljijo na velikih jezikovnih modelih (VJM). Na podlagi pridobljenih anotacij prilagodimo odprtokodni slovenski TTS model CosyVoice 3 ter ovrednotimo njegovo sposobnost generiranja izraznejšega in bolj naravnega govora.

Jezik:Slovenski jezik
Ključne besede:sinteza govora, pretvorba besedila v govor, parajezikovni elementi, emocije v govoru, veliki jezikovni modeli
Vrsta gradiva:Diplomsko delo/naloga
Tipologija:2.11 - Diplomsko delo
Organizacija:FRI - Fakulteta za računalništvo in informatiko
Leto izida:2026
PID:20.500.12556/RUL-185869 Povezava se odpre v novem oknu
COBISS.SI-ID:289096707 Povezava se odpre v novem oknu
Datum objave v RUL:21.08.2026
Število ogledov:254
Število prenosov:121
Metapodatki:XML DC-XML DC-RDF
:
Kopiraj citat
Objavi na:Bookmark and Share

Sekundarni jezik

Jezik:Angleški jezik
Naslov:Development of a Slovenian Text to Speech System with Paralinguistic Capabilities
Izvleček:
In this thesis, we develop an open-source Slovenian text-to-speech (TTS) system capable of incorporating emotions and paralinguistic vocal events, such as laughter, interjections, and breathing, into synthesized speech. Since appropriately annotated data for the Slovenian language is scarce, we first develop a pipeline for automatically annotating speech recordings with vocal events and emotions. We compare conventional approaches to audio event and emotion detection with modern approaches based on large language models (LLMs). Using the resulting annotations, we adapt the open-source Slovenian TTS model CosyVoice 3 and evaluate its ability to generate more expressive and natural-sounding speech.

Ključne besede:speech synthesis, text-to-speech, paralinguistic elements, emotions in speech, large language models

Podobna dela

Podobna dela v RUL:
Podobna dela v drugih slovenskih zbirkah:

Nazaj