音声優先のネーションにおける嗜好：インド諸言語のTTSに対する大規模な一対比較評価と嗜好分析

概要: クラウドソーシングによるペアワイズ評価は、基盤モデルを評価するための拡張可能なアプローチとして登場してきました。しかし、それをテキスト読み上げ（TTS）に適用すると、言語的多様性とスピーチ知覚の多次元性に起因して分散が大きくなります。本研究では、多言語TTS向けの制御された多次元ペアワイズ評価フレームワークを提案します。このフレームワークは、言語的制御と知覚に根ざした注釈を組み合わせます。10のインド系言語にまたがり、ネイティブおよびコードミックスの文を5K+件用いて、最先端のTTSシステム7つを評価し、1900人超のネイティブ評価者から120K超のペアワイズ比較を収集しました。全体の好みに加えて、評価者は6つの知覚次元（了解度、表現力、音声品質、活気、ノイズ、および幻覚）にわたって判断を行います。Bradley-Terryモデリングを用いて、多言語のリーダーボードを構築し、SHAP分析によって人間の嗜好を解釈するとともに、知覚次元ごとのモデルの強みとトレードオフを併せて、リーダーボードの信頼性を分析します。