2026年のベンチマークが、ニューラル音声合成(TTS)システムに同一文の2つのバージョンで正しい語に強勢を置くよう求めたところ、Pair-Correctスコアはほぼすべてのシステムでゼロに近く、最高の結果でも、入力で強勢を明示した場合の11.5%だった(Turetzky ほか、CASTベンチマーク 2026)。同じ傾向はプロソディ研究の他の部分にも見られる。日本語のオーディオブックの研究では、ボコーダーによる再合成から完全なTTSになる間にピッチ誤差がおよそ2倍になり、人間の録音で99.64%を記録した感情分類器は合成音声では15.31%にとどまり、クローズドソースモデルは長文での表現の豊かさで実際の録音を0.93ポイント下回った。全体的な自然さのスコアは今や人間の録音に近づいている(当社の合成音声のMOS統計を参照)が、旋律、タイミング、強調こそが残された差の所在である。本稿ではJournal of the Brazilian Computer Society、Interspeech、ISCA音声合成ワークショップ、Blizzard Challenge、ACL 2026 Findings、Journal of the Acoustical Society of America、LabPhon、そして12本を超えるarXiv論文のデータを集計した。
主なポイント
- 2020年から2024年のプロソディ評価研究100件のうち95件がピッチ(F0)を分析しており、最も多く使われた指標はF0 RMSEだった(Galdino ほか、JBCS 2025)。
- 対数F0 RMSEと人間によるプロソディ評価の相関は、わずかr = 0.30にとどまる(Yang ほか、ProsodyEval 2025)。
- ピッチ誤差(F0 RMSE)は、ボコーダーのみのHiFi-GAN行で14.03、最良の完全なTTSモデルで27.93だった(Xin ほか、オーディオブックTTS 2022)。
- ベースラインの広東語TTSは、平叙形式の疑問文で32.76%のF0フレーム誤りを出し、平叙文では13.53%だった(Bai ほか、Interspeech 2022)。
- 聴取者がベースラインの合成による平叙形式の疑問文を疑問文として聞き取れたのは21.83%にすぎなかった(Bai ほか、Interspeech 2022)。
- 強勢配置のPair-Correctは、テストしたすべてのTTSシステムで最高11.5%にとどまったが、テキストのみのモデルは76.1%に達した(Turetzky ほか、CAST 2026)。
- 聴取者が怒りを認識できたのは、人間の録音では37%だったが、合成クリップでは7%だった(Abilbekov ほか、KazEmoTTS 2024)。
- CosyVoice 2の出力における感情認識は、実際の音声での83.93%から、プロソディをテキストから生成させた場合の34.57%へ低下した(Ge ほか、2026)。
- 孤立した文の評価が、段落の評価の分散を説明できたのは約12%にすぎなかった(Clark ほか、SSW10 2019)。
- クローズドソースの長文TTSは、表現の豊かさで平均3.42となり、実際の音声の4.35を下回った(Pan ほか、SwanBench-Speech、ACL 2026 Findings)。
- 人間の読み手は、読み上げ時に毎秒3.20音節、自由に話すときに毎秒4.96音節だった(Jacewicz ほか、JASA 2010)。
1. プロソディの測定:指標の問題
この分野はプロソディをほぼ1つの数値で測っており、その数値は聴取者が聞き取るものとほとんど対応していない。既定のピッチ誤差指標である対数F0 RMSEは、人間によるプロソディ評価との相関がr = 0.30にとどまり、新しいトークンベースの指標の相関の半分にも満たない(Yang ほか、ProsodyEval 2025)。F0(基本周波数)は知覚されるピッチの背後にある音響的な尺度で、RMSE(二乗平均平方根誤差)は、合成音声のピッチ曲線を、同じ文の1つの人間の録音とフレームごとに比較する。
問題は構造的である。1つの文は多様な旋律でも上手に読めるため、1つの参照との距離は妥当なばらつきまで罰してしまう。大規模な音声言語モデルでさえ、まだ解決策にはなっていない。同じベンチマーク(1,000サンプル、7つのTTSシステム、2,000件の人間評価)で、Gemini 2.5 Proの人間によるプロソディ評価との相関はr = 0.27だった。
| 指標 | 値 | 出典 |
|---|---|---|
| レビューされたプロソディ評価研究(2020年から2024年に発表) | 100 | Galdino ほか、JBCS 2025 |
| ピッチ(F0)を分析した研究 | 100件中95件 | Galdino ほか、JBCS 2025 |
| 言語別の研究数:英語 / 中国語(標準語) / 日本語 | 48 / 27 / 15 | Galdino ほか、JBCS 2025 |
| 人間によるプロソディ評価との相関:対数F0 RMSE | r = 0.30 [0.19, 0.40] | Yang ほか、ProsodyEval 2025 |
| 人間によるプロソディ評価との相関:DS-WED(トークンベース指標) | r = 0.77 [0.73, 0.81] | Yang ほか、ProsodyEval 2025 |
| プロソディの審査役としてのGemini 2.5 Pro、人間評価との相関 | r = 0.27 | Yang ほか、ProsodyEval 2025 |
背景:Journal of the Brazilian Computer Societyのシステマティックレビューは、読み上げられたノンフィクションからなる単一話者の英語コーパスであるLJ Speechが最も多く使われたデータセットだったことも明らかにしており、公表されている根拠の多くは、単一言語の単一の読み方を描いていることになる。2008年から2024年の35のTTSシステムを対象とした別のベンチマークは、新しいシステムほどプロソディが重要になっていると報告しており、その著者らは、雑音や明瞭度の問題が薄れるにつれて、人間の評価者がプロソディにより注目するようになるのだろうと示唆している(Minixhofer ほか、TTSDS 2024)。
2. 人間の録音と比較したピッチと長さの測定誤差
研究がボコーダーと、テキストからプロソディを予測する段階を分けて扱うと、ピッチ誤差の大半は後者で生じる。日本語のオーディオブックの研究では、F0 RMSEはボコーダーのみのHiFi-GAN行で14.03、最良の完全なTTSモデルで27.93となり、約2倍だった(27.93 / 14.03 = 1.99)(Xin ほか、オーディオブックTTS 2022)。ボコーダーは音響特徴量を波形に変換する最終段階であるため、ボコーダーのみのスコアは音声処理チェーンそのものの誤差の下限に近い。
新しい予測器が削減できるのはわずか数ポイントにとどまる。約750時間の英語音声で学習した2025年のプロソディモデルは、参照ピッチを43.9%のフレームで一致させ、最も強いベースラインの40.2%から向上した。プロソディの多様性も壊れやすい。選好ファインチューニング(DPO)により、あるシステムで測定されたプロソディの多様性は18.8%低下した。
| 指標 | 値 | 出典 |
|---|---|---|
| F0 RMSE:ボコーダーのみ(HiFi-GAN)と最良の完全なTTSモデル(日本語オーディオブック) | 14.03 対 27.93 | Xin ほか、オーディオブックTTS 2022 |
| 粗いピッチ誤差:ボコーダーのみ(HiFi-GAN)、最良のTTSモデル、ベースライン | 2.2 対 12.57 対 14.16 | Xin ほか、オーディオブックTTS 2022 |
| AB選好:文脈対応モデルとベースライン(聴取者40人) | 61.5% 対 38.5% | Xin ほか、オーディオブックTTS 2022 |
| F0 RMSE:階層型長文モデルとBERT付きFastSpeech 2ベースライン(中国語オーディオブック) | 36.61 対 51.12 | Guo ほか、HiGNN-TTS 2023 |
| 長さのMSE:階層型長文モデルとベースライン | 0.1083 対 0.1421 | Guo ほか、HiGNN-TTS 2023 |
| 生のピッチ精度(人間のピッチに近いフレームの割合):ProModeとStyleTTS 2ベースライン | 43.9% 対 40.2% | Eren ほか、ProMode 2025 |
| DPOファインチューニング後のプロソディ多様性の変化、CosyVoice 2(LibriSpeech) | -18.8% | Yang ほか、ProsodyEval 2025 |
外れ値に関する注記:F0 RMSEの値は、単位、アライメント、データセットが異なるため、同一の論文内でしか比較できない。ProModeの論文はRMSEの単位を明記しておらず、HiGNN-TTSの本文は自らのF0結果を表と矛盾する言葉で述べているため、本稿では表の値を採用している。
3. 疑問文、構文、同形異音語:文の種類を正しく読む
疑問文のイントネーションは、文法が手がかりを与えない場面で失敗する。ベースラインの広東語Tacotron 2システムは、平叙形式の疑問文ではフレームの32.76%でF0フレーム誤りを出し、平叙文では13.53%だった。聴取者がその平叙形式の疑問文を疑問文と識別できたのは21.83%にすぎなかった(Bai ほか、Interspeech 2022)。平叙形式の疑問文とは、平叙文の形をしていながら、ピッチが上昇して終わるべき文のことで、CanTTSコーパスでは12,010発話のうち約1,000あり、モデルがこのパターンを目にする機会は少ない。F0フレーム誤りは、ピッチまたは有声性の有無が人間の録音から明確に外れたフレームを数える。
その研究での対策、すなわち疑問文と平叙文を区別する独立したテキスト分類器は、識別率を98.41%まで引き上げた。新しいシステムでも結果にはむらがある。AI審査員が商用ベースラインに対して採点し、50%が互角を意味する2025年のEmergentTTS-Evalベンチマークでは、オープンソースモデルのSesame1B、Orpheus-TTS、Qwen 2.5 Omniは、疑問文プロンプトでそれぞれ31.78%、39.64%、49.28%の勝率だった(Manku ほか、Boson AI、EmergentTTS-Eval 2025)。
| 指標 | 値 | 出典 |
|---|---|---|
| 疑問文と識別された平叙形式の疑問文:ベースラインTacotron 2と疑問文分類器付きモデル | 21.83% 対 98.41% | Bai ほか、Interspeech 2022 |
| 平叙形式の疑問文と平叙文のF0フレーム誤り、ベースラインTacotron 2 | 32.76% 対 13.53% | Bai ほか、Interspeech 2022 |
| 疑問文のイントネーションが正しく知覚された割合:ボコーダー再合成と2つの感情付きTTSベースライン | 99.2% 対 81.6%および85.9% | Tang ほか、QI-TTS 2023 |
| 疑問文カテゴリのベースラインに対する勝率:GPT-4o-audio(全体で最良)とSesame1B | 56.96% 対 31.78% | Boson AI、EmergentTTS-Eval 2025 |
| 構文の複雑さのベースラインに対する勝率:Orpheus-TTSとSesame1B | 38.92% 対 18.88% | Boson AI、EmergentTTS-Eval 2025 |
| 難しい発音のベースラインに対する勝率:Qwen 2.5 Omni | 3.30% | Boson AI、EmergentTTS-Eval 2025 |
| AI審査員の順位と人間の順位の一致度(スピアマン) | 90.5% | Boson AI、EmergentTTS-Eval 2025 |
| フランス語の同形異音語テスト(Blizzard 2023):偶然水準と最良のシステム | 50% 対 80%超 | Perrotin ほか、Blizzard Challenge 2023 |
背景:同形異音語(綴りは同じでも発音が異なる語で、たとえばフランス語の’est’は動詞にも方位にもなる)は、Blizzard Challenge 2023でABXテストにより218人の聴取者によって採点され、主催者は最良の結果を、テキストエンコーダーに大規模言語モデルを使ったシステムと結びつけた。QI-TTSの研究は2023年3月のもので、この指標に関して入手可能な最新のデータである。
4. 強調と対比強勢
正しい語に強勢を置くことは、現時点で最も明白な失敗である。113組の対比ペア(226項目)からなるCASTベンチマークでは、Pair-Correctスコア(ペアの両方の読みで正しい語に強勢が置かれた割合)はほぼすべてのシステムでゼロに近く、最高は11.5%で、これも入力で強勢を明示した場合に限られた(Turetzky ほか、CAST 2026)。同じベンチマークは、テキストのみの言語モデルが文脈から意図された強勢を76.1%の確率で割り出せることも示しており、情報は存在している。TTSシステムがそれを音に変換していないのである。
TTSモデルに先行する文脈を与えても、どのシステムでも明確な改善は見られなかった。古い聴取者研究も同じ方向を示している。合成音声に付けられた誤りの印はプロソディの境界の周辺に集中し、余分なプロソディの変化は、文脈に合わないとしばしば誤りとして聞こえる。
| 指標 | 値 | 出典 |
|---|---|---|
| 対象語に強勢あり(Hit)/両側とも正解(Pair-Correct):Kokoro | 38.1% / 0.0% | Turetzky ほか、CAST 2026 |
| Hit / Pair-Correct:強勢を明示したGPT-4o-mini-tts | 51.8% / 11.5% | Turetzky ほか、CAST 2026 |
| Hit / Pair-Correct:文脈から強勢を予測するテキストのみのClaude Haiku 4.5 | 88.1% / 76.1% | Turetzky ほか、CAST 2026 |
| 聴取者が特定した強調語、EME-TTS:平均と驚きの感情 | 78% 対 64% | Li ほか、EME-TTS 2025 |
| プロソディ評価と聴取者が印を付けた誤り率の相関 | R = -0.75 | Gutierrez ほか、SSW11 2021 |
| FastPitchで最も誤りの印が多かった語が句読点の直前に来た割合(オーディオブックのテキスト) | 73% | Gutierrez ほか、SSW11 2021 |
背景:合成音声のどこに強勢があるかについての聴取者間の一致度は、それ自体が控えめであり(同じベンチマークの3人の聴取者でフライスのカッパ = 0.36)、これが強調の測定が難しい理由の1つである。EME-TTS(聴取者11人)では驚きが最も低いスコアとなり、著者らはこれを、驚きの発話の終わりでしばしばピッチが上昇するため、聴取者が最後の語に強勢があると聞き取ったことによると説明している。高速プロソディ書き起こしの研究は2021年のもので、聴取者による誤りの印付けに関して入手可能な最新のデータである。
5. 感情のプロソディ:聴取者と分類器が認識するもの
感情は主にプロソディによって伝わり、合成された感情は、録音された感情よりはるかに認識されにくい。64人の聴取者によるカザフ語の研究では、意図された感情は人間の録音の43%で認識されたが、合成クリップでは32%で、怒りは37%から7%に低下した(Abilbekov ほか、KazEmoTTS 2024)。
2026年の分析は、感情がどこで失われるかを追跡した。CosyVoice 2では、感情認識はボコーダー再構成後で82.43%、実際の音声トークンをモデルに与えた場合で84.07%と、実際の音声の83.93%に近かったが、モデルがテキストから音声を生成しなければならない場合には34.57%に低下した(Ge ほか、On the Emotion Understanding of Synthesized Speech、2026)。損失は音質ではなく、テキストからプロソディを作る段階にある。認識モデルが人間の声でどの程度機能するかについては、当社の音声感情認識の統計を参照。
| 指標 | 値 | 出典 |
|---|---|---|
| 聴取者による感情認識:人間の録音と合成音声(6つの感情) | 43% 対 32% | Abilbekov ほか、KazEmoTTS 2024 |
| 聴取者による怒りの認識:人間の録音と合成音声 | 37% 対 7% | Abilbekov ほか、KazEmoTTS 2024 |
| 感情分類器の精度(emotion2vec):人間のTESS録音と合成TESS | 99.64% 対 15.31% | Ge ほか、2026 |
| 感情分類器の精度:人間のIEMOCAPと合成IEMOCAP | 71.28% 対 49.58% | Ge ほか、2026 |
| TESSにおけるCosyVoice 2:実際の音声、ボコーダーのみ、テキスト駆動の生成 | 83.93% 対 82.43% 対 34.57% | Ge ほか、2026 |
| gpt-4o-tts出力に対する感情分類器の精度(CREMA-D / TESSの文) | 32.94% / 46.42% | Ge ほか、2026 |
| 感情の再分類精度:ボコーダー処理した人間の録音と、3つのTTSシステムのうち最良および最低のもの | 0.931 対 0.749および0.623 | Tang ほか、ED-TTS 2024 |
| 感情カテゴリのベースラインに対する勝率:GPT-4o-audioとSesame1B | 88.84% 対 7.32% | Boson AI、EmergentTTS-Eval 2025 |
外れ値に関する注記:2026年の分類器の数値は聴取者の判断ではなく機械によるスコアであり、合成音声で学習した分類器は合成TESSで91.84%を記録したが、人間のTESSでは15.00%にとどまった。これは合成された感情と人間の感情が音響的に異なることを示唆している。ED-TTSは独自の感情分類器を使用したため、そのスケールはemotion2vecと直接比較できない。
6. 長文読み上げ:文単位のテストが機能しなくなるところ
1文ずつなら問題なく聞こえるプロソディも、段落全体では流れたり、平板になったり、休止が不適切な位置に置かれたりすることがある。ニュース読み上げの研究では、段落内で最も良い単独の文の評価でさえ、段落全体の評価の分散を約12%しか説明できなかった(文の最大MOSと段落のMOS、r = 0.345、p < 0.01)(Clark ほか、Evaluating Long-form Text-to-Speech、SSW10 2019)。著者らは、文単位の評価は「段落MOSの悪い予測因子」であると結論づけた。
2026年の状況はより狭いが、まだ閉じてはいない。SwanBench-Speechでは、最良のクローズドソースシステムはプロソディスコアで実際の録音に0.09差まで迫った(3.95対4.04)が、クローズドソースの平均は、表現の豊かさ(感情の共鳴、キャラクターの描写、物語の語り)と表現の階層(段落レベルの表現の動き)の両方で、実際の音声を0.93ポイント下回り、ほとんどのモデルは文章が100語を超えると品質が低下した(Pan ほか、SwanBench-Speech、ACL 2026 Findings)。ナレーション付きの研修や解説コンテンツを制作する方には、当社のAIボイスオーバーの統計が普及状況を扱っており、AI音声ジェネレーターは1行ではなく段落全体で判断するのが最も容易である。
| 指標 | 値 | 出典 |
|---|---|---|
| 相関、文の平均評価と段落の評価(ニュース) | r = 0.296 (p < 0.05) | Clark ほか、SSW10 2019 |
| 平均評価、短い文と40秒の文章、最良モデル | 4.09 対 3.86 | Guo ほか、HiGNN-TTS 2023 |
| 平均評価、短い文と40秒の文章、ベースライン | 3.52 対 3.34 | Guo ほか、HiGNN-TTS 2023 |
| オーディオブックの聴取テスト:聴取者 / 評価数 / セグメントの長さ | 204 / 33,750 / 約2分 | Zhang ほか、SSW 2023 |
| 長文向け改良による全体品質の向上(アブストラクト) | +0.47 MOS | Zhang ほか、SSW 2023 |
| 複数文の文脈を除いた後の比較スコア:女性の声 / 男性の声 | -0.42 / -0.58 | Zhang ほか、SSW 2023 |
| 表現の豊かさ:実際の音声、クローズドソース平均、オープンソース平均 | 4.35 対 3.42 対 3.03 | Pan ほか、SwanBench-Speech 2026 |
| 表現の階層(段落レベルの動き):実際の音声とクローズドソース平均 | 3.94 対 3.01 | Pan ほか、SwanBench-Speech 2026 |
背景:SwanBenchのスコアは自動的なものである。そのプロソディ指標は50ペアで10人の人間評価者とSRCC = 0.82で一致し、豊かさと階層の審査役(Gemini 3 Pro)は0.71と0.62で一致した。オーディオブック合成の論文は、その改良が「ベースライン合成と自然な録音の間の大きな差を縮める」ものの、埋めてはいないと述べている。Clarkらの研究は2019年のもので、文と段落の比較に関して入手可能な最新のデータである。
7. 人間の基準:実際のプロソディはどれほど変動するか
あらゆる「誤り」の数値は目標を前提としており、人間のプロソディは幅の広い目標である。アメリカ英語話者192人では、調音速度は文の読み上げで毎秒3.20音節、自発的な会話で毎秒4.96音節だった(Jacewicz ほか、JASA 2010)。調音速度は休止を除いて毎秒の音節数を数えるため、ためらいとテンポを切り分けられる。
1人の中での変動のほうが大きな話題である。同じデータでは、同一話者内でのフレーズ間の変動が話者間の変動を上回った。LabPhon 19で発表された、ほぼ120,000発話のコーパス研究では、個々の話者のほうが方言よりもばらつきが大きいことがわかった。第1節でF0 RMSEについて示したように、これが、単一の参照録音が頼りない物差しである理由である。
| 指標 | 値 | 出典 |
|---|---|---|
| 調音速度、読み上げ文と自発的な会話(毎秒の音節数) | 3.20 対 4.96 | Jacewicz ほか、JASA 2010 |
| 自発的な速度、ウィスコンシン州とノースカロライナ州の話者(毎秒の音節数) | 5.21 対 4.80 | Jacewicz ほか、JASA 2010 |
| 読み上げ速度、若年成人と最高齢の成人(毎秒の音節数) | 3.58 対 3.0 | Jacewicz ほか、JASA 2010 |
| 話速の分散:同一話者内と話者間 | 1.0 対 0.19 | Jacewicz ほか、JASA 2010 |
| コーパスの規模:発話数 / 話者数 / 方言数 | 119,736 / 1,115 / 15 | Tanner ほか、LabPhon 19 |
| 英語方言間での調音速度の推定差 | 約40%(毎秒約2音節) | Tanner ほか、LabPhon 19 |
| 話者間の変動が方言間の変動を上回る確率 | 0.98 | Tanner ほか、LabPhon 19 |
背景:SPADEの調音速度の論文は、イギリス英語と北米英語の自発的な発話の14のコーパスを使用した。Jacewiczのデータは2010年のもので、単一の統制されたサンプルにおける読み上げと自発的なテンポの比較に関して入手可能な最新のデータである。聴取者の判断が音響と食い違うもう1つのプロソディ特徴については、当社のボーカルフライの統計を参照。
数字で見るニューラルTTSのプロソディとイントネーションの誤り(まとめ)
| 指標 | 値 | 出典 |
|---|---|---|
| ピッチを分析したプロソディ研究(2020年から2024年) | 100件中95件 | Galdino ほか、JBCS 2025 |
| 対数F0 RMSEと人間によるプロソディ評価の相関 | r = 0.30 | Yang ほか、ProsodyEval 2025 |
| F0 RMSE:ボコーダーのみと最良の完全なTTS | 14.03 対 27.93 | Xin ほか、2022 |
| 2025年のプロソディ予測器の生のピッチ精度 | 43.9% | Eren ほか、ProMode 2025 |
| F0フレーム誤り、平叙形式の疑問文と平叙文(ベースライン) | 32.76% 対 13.53% | Bai ほか、Interspeech 2022 |
| 疑問文として聞き取られた平叙形式の疑問文:ベースラインと分類器付きモデル | 21.83% 対 98.41% | Bai ほか、Interspeech 2022 |
| 疑問文のベースラインに対する勝率:GPT-4o-audioとSesame1B | 56.96% 対 31.78% | Boson AI、EmergentTTS-Eval 2025 |
| 同形異音語テスト:偶然水準と最良のシステム | 50% 対 80%超 | Perrotin ほか、Blizzard 2023 |
| 対比強勢のPair-Correct:最良のTTSとテキストのみの言語モデル | 11.5% 対 76.1% | Turetzky ほか、CAST 2026 |
| 聴取者による感情認識:人間と合成音声 | 43% 対 32% | Abilbekov ほか、KazEmoTTS 2024 |
| 感情分類器:人間のTESSと合成TESS | 99.64% 対 15.31% | Ge ほか、2026 |
| CosyVoice 2の感情精度:実際の音声とテキスト駆動 | 83.93% 対 34.57% | Ge ほか、2026 |
| 文の評価と段落の評価、説明された分散 | 約12% | Clark ほか、SSW10 2019 |
| 表現の豊かさ:実際の音声とクローズドソース平均 | 4.35 対 3.42 | Pan ほか、SwanBench-Speech 2026 |
| 短い文と40秒の文章、最良モデル | 4.09 対 3.86 | Guo ほか、HiGNN-TTS 2023 |
| 読み上げと自発的な調音速度(毎秒の音節数) | 3.20 対 4.96 | Jacewicz ほか、JASA 2010 |
| 英語方言間の調音速度の差 | 約40% | Tanner ほか、LabPhon 19 |
方法論と出典
上記のすべての数値は、それを報告した論文、会議録のページ、または全文で確認した。論文が結果をグラフでしか示していない場合は、その論文が述べている結論を用い、概算値は除外した。機械が判定したスコア(AI審査員、感情分類器、自動ベンチマーク)は本文中でそのように明記しており、聴取者の割合として読むべきではない。
- Galdino、Matos、Svartman、Aluisio、「The evaluation of prosody in speech synthesis: a systematic review」、Journal of the Brazilian Computer Society、2025年7月9日
- Yang ほか、「Measuring Prosody Diversity in Zero-Shot TTS」(ProsodyEval)、arXiv 2509.19928、2026年4月1日改訂
- Minixhofer、Klejch、Bell、「TTSDS - Text-to-Speech Distribution Score」、arXiv 2407.12707、2024年
- Xin ほか、「Improving Speech Prosody of Audiobook Text-to-Speech Synthesis with Acoustic and Textual Contexts」、arXiv 2211.02336、2022年
- Guo ほか、「HiGNN-TTS: Hierarchical Prosody Modeling with Graph Neural Networks for Expressive Long-form TTS」、arXiv 2309.13907、2023年
- Eren ほか、「ProMode: A Speech Prosody Model Conditioned on Acoustic and Textual Inputs」、arXiv 2508.09389、2025年
- Bai、Ko、Zhang、「A Study of Modeling Rising Intonation in Cantonese Neural Speech Synthesis」、Interspeech 2022
- Tang ほか、「QI-TTS: Questioning Intonation Control for Emotional Speech Synthesis」、arXiv 2303.07682、2023年
- Manku ほか(Boson AI)、「EmergentTTS-Eval」、arXiv 2505.23009、2025年5月29日
- Perrotin、Stephenson、Gerber、Bailly、「The Blizzard Challenge 2023」、ISCAアーカイブ
- Turetzky ほか、「Knowing What to Stress: A Discourse-Conditioned Text-to-Speech Benchmark」(CAST)、arXiv 2604.10580、2026年4月12日
- Li ほか、EME-TTS、音声合成における強調と感情の関係について、arXiv 2507.12015、2025年
- Gutierrez、Oplustil-Gallegos、Lai、「Location, Location」、ISCA SSW11、2021年
- Abilbekov ほか、「KazEmoTTS: A Dataset for Kazakh Emotional Text-to-Speech Synthesis」、arXiv 2404.01033、2024年
- Ge ほか、「On the Emotion Understanding of Synthesized Speech」、arXiv 2603.16483、2026年3月17日
- Tang ほか、「ED-TTS: Multi-Scale Emotion Modeling using Cross-Domain Emotion Diarization」、arXiv 2401.08166、2024年
- Clark、Silen、Kenter、Leith、「Evaluating Long-form Text-to-Speech: Comparing the Ratings of Sentences and Paragraphs」、SSW10、arXiv 1909.03965、2019年
- Zhang ほか、「Audiobook synthesis with long-form neural text-to-speech」、ISCA SSW12、2023年
- Pan ほか、「Comprehensive Benchmarking of Long-Form Speech Generation in Diverse Scenarios」(SwanBench-Speech)、ACL 2026 Findings、arXiv 2605.28618
- Jacewicz、Fox、Wei、「Between-speaker and within-speaker variation in speech tempo of American English」、Journal of the Acoustical Society of America、2010年
- Tanner ほか、SPADE Data Consortium、「Exposing the anatomy of articulation rate across English dialects and speakers」、LabPhon 19
- データウォッチ:F0 RMSEの値は論文間で比較できず(単位、アライメント、データセットが異なる)、ProModeの論文は単位を明記していない。Xinらは説明なしにHiFi-GAN行を掲載しており、本稿ではそのスペクトル歪みがTTSの各行よりはるかに低いことから、ボコーダーのみの出力と解釈したが、これは当方の推論である。Jacewiczらは本文で毎秒5.21音節と4.80音節としているが、同じ方言について表では5.38音節と4.97音節としており、本稿では本文の値を採用している。SSW 2023のオーディオブック論文は、アブストラクトでは0.47 MOSの向上、本文では0.46としており、システムごとのグラフの値は確実に対応づけられなかったため省略した。SwanBench-Speechは階層の差が「半ポイントを超える」と述べているが、その表の平均は0.93を意味しており、本稿では表の値を採用している。EmergentTTS-EvalとSwanBenchの結果は、小規模な人間のパネルで検証されたAI審査員によるものであり、EmergentTTSのテキストを書き換えた後続の技術報告は、元の論文と比較できない。QI-TTS(2023年)、Xinら(2022年)、Baiら(2022年)、Gutierrezら(2021年)、Clarkら(2019年)、Jacewiczら(2010年)の数値は3年以上前のものであり、それぞれの指標に関して入手可能な最新のデータである。2026年の情報源のいくつかはプレプリントであり、査読で変更される可能性がある。次回のBlizzard Challengeの結果とSpeech Prosodyの会議録により、疑問文のイントネーションや長文読み上げに関するより新しいデータが加わる可能性がある。
最終更新日:2026年10月31日。当社はこのまとめを四半期ごとに更新しており、次回の更新は、次のBlizzard Challengeの結果がISCAアーカイブで公開された時点を予定している。