2026’da yapılan bir kıyaslama, sinirsel metinden konuşmaya (TTS) sistemlerinden aynı cümlenin iki sürümünde doğru sözcüğü vurgulamalarını istediğinde, Pair-Correct puanları neredeyse tüm sistemlerde sıfıra yakındı; vurgu girdide açıkça işaretlendiğinde bile en iyi sonuç %11,5 oldu (Turetzky ve ark., CAST kıyaslaması 2026). Aynı örüntü prozodi araştırmalarının geri kalanında da sürüyor: bir Japonca sesli kitap çalışmasında perde hatası, vokoderle yeniden sentezden tam TTS’e geçilirken kabaca iki katına çıktı, insan kayıtlarında %99,64 puan alan bir duygu sınıflandırıcısı sentezlenmiş kayıtlarda %15,31 aldı ve kapalı kaynaklı modeller uzun metinde ifade zenginliği bakımından gerçek kayıtların 0,93 puan gerisinde kaldı. Genel doğallık puanları artık insan kayıtlarına yakın (bkz. sentetik konuşma MOS istatistiklerimiz), ancak kalan fark melodide, zamanlamada ve vurguda yatıyor. Verileri Journal of the Brazilian Computer Society, Interspeech ve ISCA Speech Synthesis Workshops, Blizzard Challenge, ACL 2026 Findings, Journal of the Acoustical Society of America, LabPhon ve bir düzineden fazla arXiv makalesinden derledik.
TL;DR
- 2020-2024 arasındaki 100 prozodi değerlendirme çalışmasının 95’i perdeyi (F0) analiz etti ve F0 RMSE en çok kullanılan ölçüt oldu (Galdino ve ark., JBCS 2025).
- Log F0 RMSE, insan prozodi puanlarıyla yalnızca r = 0,30 düzeyinde korele (Yang ve ark., ProsodyEval 2025).
- Perde hatası (F0 RMSE), yalnızca vokoderli HiFi-GAN satırında 14,03, en iyi tam TTS modelinde 27,93 idi (Xin ve ark., sesli kitap TTS 2022).
- Temel bir Kantonca TTS, bildirim yapısındaki sorularda %32,76, düz cümlelerde %13,53 F0 çerçeve hatası yaptı (Bai ve ark., Interspeech 2022).
- Dinleyiciler, temel sistemle sentezlenen bildirim yapısındaki soruların yalnızca %21,83’ünü soru olarak duydu (Bai ve ark., Interspeech 2022).
- Pair-Correct vurgu yerleştirme, test edilen tüm TTS sistemlerinde en fazla %11,5’e ulaştı; yalnızca metinle çalışan model %76,1’e ulaştı (Turetzky ve ark., CAST 2026).
- Dinleyiciler öfkeyi insan kayıtlarının %37’sinde, sentezlenmiş kliplerin ise %7’sinde tanıdı (Abilbekov ve ark., KazEmoTTS 2024).
- CosyVoice 2 çıktısında duygu tanıma, gerçek konuşmada %83,93 iken prozodinin metinden gelmesi gerektiğinde %34,57’ye düştü (Ge ve ark., 2026).
- Tek tek cümlelere verilen puanlar, paragraf puanlarındaki varyansın yalnızca yaklaşık %12’sini açıkladı (Clark ve ark., SSW10 2019).
- Kapalı kaynaklı uzun metin TTS, ifade zenginliğinde ortalama 3,42 aldı; gerçek konuşmada bu değer 4,35 idi (Pan ve ark., SwanBench-Speech, ACL 2026 Findings).
- İnsan okuyucular okurken saniyede 3,20 hece, serbest konuşurken saniyede 4,96 hece hızındaydı (Jacewicz ve ark., JASA 2010).
1. Prozodiyi Ölçmek: Ölçüt Sorunu
Alan, prozodiyi çoğunlukla tek bir sayıyla ölçüyor ve bu sayı dinleyicilerin duyduğuyla neredeyse örtüşmüyor. Varsayılan perde hatası ölçütü olan log F0 RMSE, insan prozodi puanlarıyla r = 0,30 düzeyinde korele oldu; bu, daha yeni bir belirteç tabanlı ölçütün korelasyonunun yarısından azı (Yang ve ark., ProsodyEval 2025). F0 (temel frekans), algılanan perdenin ardındaki akustik ölçüdür; RMSE (karekök ortalama kare hata) ise sentetik perde eğrisini aynı cümlenin tek bir insan kaydıyla çerçeve çerçeve karşılaştırır.
Sorun yapısaldır: bir cümle birçok farklı melodiyle iyi okunabilir, bu yüzden tek bir referansa olan mesafe geçerli çeşitliliği cezalandırır. Büyük sesli dil modelleri bile henüz çözüm değil; aynı kıyaslamada (1.000 örnek, 7 TTS sistemi ve 2.000 insan puanı) Gemini 2.5 Pro, insan prozodi puanlarıyla r = 0,27 korelasyon elde etti.
| Metrik | Değer | Kaynak |
|---|---|---|
| İncelenen prozodi değerlendirme çalışmaları (2020-2024 arasında yayımlanan) | 100 | Galdino ve ark., JBCS 2025 |
| Perdeyi (F0) analiz eden çalışmalar | 100 çalışmadan 95’i | Galdino ve ark., JBCS 2025 |
| Dile göre çalışmalar: İngilizce / Mandarin Çincesi / Japonca | 48 / 27 / 15 | Galdino ve ark., JBCS 2025 |
| İnsan prozodi puanlarıyla korelasyon: log F0 RMSE | r = 0,30 [0,19; 0,40] | Yang ve ark., ProsodyEval 2025 |
| İnsan prozodi puanlarıyla korelasyon: DS-WED (belirteç tabanlı ölçüt) | r = 0,77 [0,73; 0,81] | Yang ve ark., ProsodyEval 2025 |
| Prozodi hakemi olarak Gemini 2.5 Pro, insan puanlarıyla korelasyon | r = 0,27 | Yang ve ark., ProsodyEval 2025 |
Bağlam: Journal of the Brazilian Computer Society’deki sistematik derleme ayrıca, kurgusal olmayan metinlerin okunduğu tek konuşurlu bir İngilizce derlem olan LJ Speech’in en çok kullanılan veri kümesi olduğunu buldu; yani yayımlanmış kanıtların önemli bir kısmı tek dilde tek bir okuma tarzını anlatıyor. 2008-2024 arasındaki 35 TTS sistemini kapsayan ayrı bir kıyaslama, daha sonraki sistemlerde prozodinin daha önemli hale geldiğini bildiriyor; yazarları, gürültü ve anlaşılırlık sorunları azaldıkça insan değerlendiricilerin ona daha çok odaklandığını öne sürüyor (Minixhofer ve ark., TTSDS 2024).
2. İnsan Kayıtlarına Göre Ölçülen Perde ve Süre Hatası
Bir çalışma vokoderi, metinden prozodiyi tahmin eden aşamadan ayırdığında, perde hatasının çoğu ikinci aşamada ortaya çıkıyor. Bir Japonca sesli kitap çalışmasında F0 RMSE, yalnızca vokoderli HiFi-GAN satırı için 14,03, en iyi tam TTS modeli için 27,93 idi; yani yaklaşık 2 kat daha yüksek (27,93 / 14,03 = 1,99) (Xin ve ark., sesli kitap TTS 2022). Vokoder, akustik özellikleri dalga biçimine dönüştüren son aşamadır; dolayısıyla yalnızca vokoderli bir puan, ses zincirinin kendi hata tabanını yaklaşık olarak verir.
Daha yeni tahmin ediciler yalnızca birkaç puan kazandırıyor. Yaklaşık 750 saatlik İngilizce ses üzerinde eğitilen 2025 tarihli bir prozodi modeli, çerçevelerin %43,9’unda referans perdeyle eşleşti; en güçlü temel modelde bu oran %40,2 idi. Prozodi çeşitliliği de kırılgandır: tercih ince ayarı (DPO), bir sistemin ölçülen prozodi çeşitliliğini %18,8 azalttı.
| Metrik | Değer | Kaynak |
|---|---|---|
| F0 RMSE: yalnızca vokoder (HiFi-GAN) ile en iyi tam TTS modeli (Japonca sesli kitaplar) | 14,03 karşı 27,93 | Xin ve ark., sesli kitap TTS 2022 |
| Kaba perde hatası: yalnızca vokoder (HiFi-GAN), en iyi TTS modeli ve temel model | 2,2 karşı 12,57 karşı 14,16 | Xin ve ark., sesli kitap TTS 2022 |
| AB tercihi: bağlam duyarlı model ile temel model (40 dinleyici) | %61,5 karşı %38,5 | Xin ve ark., sesli kitap TTS 2022 |
| F0 RMSE: hiyerarşik uzun metin modeli ile BERT’li FastSpeech 2 temel modeli (Mandarin sesli kitapları) | 36,61 karşı 51,12 | Guo ve ark., HiGNN-TTS 2023 |
| Süre MSE: hiyerarşik uzun metin modeli ile temel model | 0,1083 karşı 0,1421 | Guo ve ark., HiGNN-TTS 2023 |
| Ham perde doğruluğu (insan perdesine yakın çerçevelerin payı): ProMode ile StyleTTS 2 temel modeli | %43,9 karşı %40,2 | Eren ve ark., ProMode 2025 |
| DPO ince ayarından sonra prozodi çeşitliliğindeki değişim, CosyVoice 2 (LibriSpeech) | -%18,8 | Yang ve ark., ProsodyEval 2025 |
Aykırı değer notu: F0 RMSE değerleri yalnızca tek bir makale içinde karşılaştırılabilir, çünkü birimler, hizalama ve veri kümeleri farklıdır. ProMode makalesi RMSE’si için birim belirtmiyor ve HiGNN-TTS metni kendi F0 sonucunu tablosuyla çelişen sözlerle anlatıyor; bu yüzden tablo değerlerini bildiriyoruz.
3. Sorular, Sözdizimi ve Eş Yazılı Sözcükler: Cümle Türünü Doğru Okumak
Soru tonlaması, dilbilgisinin ipucu vermediği yerde başarısız oluyor. Temel bir Kantonca Tacotron 2 sistemi, bildirim yapısındaki sorularda çerçevelerin %32,76’sında, düz cümlelerde ise %13,53’ünde F0 çerçeve hatası yaptı; dinleyiciler bu sistemin bildirim yapısındaki sorularının yalnızca %21,83’ünü soru olarak tanımladı (Bai ve ark., Interspeech 2022). Bildirim yapısındaki soru, düz cümle biçiminde olup perdenin yükselerek bitmesi gereken bir cümledir; CanTTS derleminde 12.010 sözceden yaklaşık 1.000’i bu türdendir, bu yüzden model örüntüyü nadiren görür. F0 çerçeve hatası, perdenin ya da ses titreşiminin varlığının insan kaydından belirgin biçimde ayrıldığı çerçeveleri sayar.
O çalışmadaki çözüm, ayrı bir soru-düz cümle metin sınıflandırıcısı, tanımayı %98,41’e çıkardı. Daha yeni sistemler hâlâ tutarsız: %50’nin eşitlik anlamına geldiği ticari bir temel modele karşı yapay zekâ hakemiyle puanlanan 2025 EmergentTTS-Eval kıyaslamasında, açık kaynaklı Sesame1B, Orpheus-TTS ve Qwen 2.5 Omni modelleri soru istemlerinin %31,78’ini, %39,64’ünü ve %49,28’ini kazandı (Manku ve ark., Boson AI, EmergentTTS-Eval 2025).
| Metrik | Değer | Kaynak |
|---|---|---|
| Soru olarak tanınan bildirim yapısındaki sorular: temel Tacotron 2 ile soru sınıflandırıcılı model | %21,83 karşı %98,41 | Bai ve ark., Interspeech 2022 |
| Bildirim yapısındaki sorularda F0 çerçeve hatası ile düz cümlelerdeki F0 çerçeve hatası, temel Tacotron 2 | %32,76 karşı %13,53 | Bai ve ark., Interspeech 2022 |
| Soru tonlamasının doğru algılanması: vokoderle yeniden sentez ile iki duygusal TTS temel modeli | %99,2 karşı %81,6 ve %85,9 | Tang ve ark., QI-TTS 2023 |
| Sorular kategorisinde temel modele karşı kazanma oranı: GPT-4o-audio (genel en iyi) ile Sesame1B | %56,96 karşı %31,78 | Boson AI, EmergentTTS-Eval 2025 |
| Sözdizimsel karmaşıklıkta temel modele karşı kazanma oranı: Orpheus-TTS ile Sesame1B | %38,92 karşı %18,88 | Boson AI, EmergentTTS-Eval 2025 |
| Karmaşık telaffuzda temel modele karşı kazanma oranı: Qwen 2.5 Omni | %3,30 | Boson AI, EmergentTTS-Eval 2025 |
| Yapay zekâ hakem sıralaması ile insan sıralaması arasındaki uyum (Spearman) | %90,5 | Boson AI, EmergentTTS-Eval 2025 |
| Fransızca eş yazılı sözcük testi (Blizzard 2023): rastlantı düzeyi ile en iyi sistemler | %50 karşı %80’den fazla | Perrotin ve ark., Blizzard Challenge 2023 |
Bağlam: eş yazılı sözcükler (yazılışı aynı, telaffuzu farklı sözcükler; örneğin fiil ya da pusula yönü olarak Fransızca ‘est’), Blizzard Challenge 2023’te 218 dinleyici tarafından bir ABX testinde puanlandı ve düzenleyiciler en iyi sonuçları, metin kodlayıcıda büyük bir dil modeli kullanan sistemlere bağladı. QI-TTS çalışması Mart 2023 tarihlidir; bu ölçüm için mevcut en güncel veridir.
4. Vurgu ve Karşıtlık Vurgusu
Doğru sözcüğe vurgu yapmak, günümüzün en belirgin başarısızlığıdır. 113 karşıtlık çiftinden (226 öğe) oluşan CAST kıyaslamasında Pair-Correct puanları (bir çiftin her iki sürümünde de doğru sözcüğün vurgulanması) neredeyse tüm sistemlerde sıfıra yakındı ve en iyi sonuç %11,5 oldu; bu sonuca yalnızca vurgu girdide açıkça işaretlendiğinde ulaşıldı (Turetzky ve ark., CAST 2026). Aynı kıyaslama, yalnızca metinle çalışan bir dil modelinin amaçlanan vurguyu bağlamdan zamanın %76,1’inde çıkarabildiğini gösterdi; yani bilgi mevcut: TTS sistemleri onu sese dönüştürmüyor.
TTS modeline önceki bağlamı vermek hiçbir sistem için belirgin bir iyileşme getirmedi. Daha eski dinleyici çalışmaları da aynı yönü gösteriyor: sentetik konuşmadaki hata işaretleri prozodik sınırlar çevresinde kümeleniyor ve bağlama uymayan ek prozodik değişim çoğu zaman hata olarak duyuluyor.
| Metrik | Değer | Kaynak |
|---|---|---|
| Hedef sözcük vurgulandı (Hit) / iki taraf da doğru (Pair-Correct): Kokoro | %38,1 / %0,0 | Turetzky ve ark., CAST 2026 |
| Hit / Pair-Correct: açık vurgu işaretlemeli GPT-4o-mini-tts | %51,8 / %11,5 | Turetzky ve ark., CAST 2026 |
| Hit / Pair-Correct: vurguyu bağlamdan tahmin eden, yalnızca metinle çalışan Claude Haiku 4.5 | %88,1 / %76,1 | Turetzky ve ark., CAST 2026 |
| Dinleyicilerin vurgulanan sözcüğü tanıması, EME-TTS: ortalama ile şaşkınlık duygusu | %78 karşı %64 | Li ve ark., EME-TTS 2025 |
| Prozodi puanı ile dinleyicilerin işaretlediği hata oranı arasındaki korelasyon | R = -0,75 | Gutierrez ve ark., SSW11 2021 |
| FastPitch’in en çok hata işaretlenen sözcüğünün noktalama işaretinden hemen önce geldiği zamanların payı (sesli kitap metni) | %73 | Gutierrez ve ark., SSW11 2021 |
Bağlam: sentetik konuşmada vurgunun nereye düştüğü konusunda dinleyici uyumu da sınırlıdır (aynı kıyaslamada üç dinleyici arasında Fleiss kappa = 0,36), vurgunun ölçülmesinin zor olmasının nedenlerinden biri de budur. EME-TTS’te (11 dinleyici) şaşkınlık en düşük puanı aldı ve yazarlar bunu, şaşkın konuşmanın sonunda sık görülen perde yükselmesine bağlıyor; bu yükselme dinleyicilerin son sözcüğü vurgulu duymasına yol açtı. Hızlı prozodi transkripsiyonu çalışması 2021 tarihlidir; dinleyici hata işaretleme için mevcut en güncel veridir.
5. Duygusal Prozodi: Dinleyiciler ve Sınıflandırıcılar Neyi Tanıyor
Duygu büyük ölçüde prozodiyle taşınır ve sentetik duygu, kayıtlı duyguya göre çok daha az tanınır. 64 dinleyicili bir Kazakça çalışmasında, amaçlanan duygu insan kayıtlarının %43’ünde, sentezlenmiş kliplerin ise %32’sinde tanındı ve öfke %37’den %7’ye düştü (Abilbekov ve ark., KazEmoTTS 2024).
2026 tarihli bir analiz, duygunun nerede kaybolduğunu izledi. CosyVoice 2’de duygu tanıma, vokoderle yeniden oluşturmadan sonra %82,43’te, model gerçek konuşma belirteçleriyle beslendiğinde %84,07’de kaldı; bu değerler gerçek konuşmadaki %83,93’e yakındı, ancak modelin konuşmayı metinden üretmesi gerektiğinde %34,57’ye düştü (Ge ve ark., On the Emotion Understanding of Synthesized Speech, 2026). Kayıp, ses kalitesinde değil, metinden prozodiye geçiş adımında yatıyor. Tanıma modellerinin insan seslerinde nasıl performans gösterdiğini görmek için konuşmadan duygu tanıma istatistiklerimize bakın.
| Metrik | Değer | Kaynak |
|---|---|---|
| Dinleyici duygu tanıma: insan kayıtları ile sentezlenmiş kayıtlar (6 duygu) | %43 karşı %32 | Abilbekov ve ark., KazEmoTTS 2024 |
| Dinleyicilerin öfkeyi tanıması: insan kayıtları ile sentezlenmiş kayıtlar | %37 karşı %7 | Abilbekov ve ark., KazEmoTTS 2024 |
| Duygu sınıflandırıcı doğruluğu (emotion2vec): insan TESS kayıtları ile sentezlenmiş TESS | %99,64 karşı %15,31 | Ge ve ark., 2026 |
| Duygu sınıflandırıcı doğruluğu: insan IEMOCAP ile sentezlenmiş IEMOCAP | %71,28 karşı %49,58 | Ge ve ark., 2026 |
| TESS üzerinde CosyVoice 2: gerçek konuşma, yalnızca vokoder ve metinle yönlendirilen üretim | %83,93 karşı %82,43 karşı %34,57 | Ge ve ark., 2026 |
| gpt-4o-tts çıktısında duygu sınıflandırıcı doğruluğu (CREMA-D / TESS cümleleri) | %32,94 / %46,42 | Ge ve ark., 2026 |
| Duygunun yeniden sınıflandırma doğruluğu: vokoderden geçirilmiş insan kayıtları ile üç TTS sisteminin en iyisi ve en zayıfı | 0,931 karşı 0,749 ve 0,623 | Tang ve ark., ED-TTS 2024 |
| Duygular kategorisinde temel modele karşı kazanma oranı: GPT-4o-audio ile Sesame1B | %88,84 karşı %7,32 | Boson AI, EmergentTTS-Eval 2025 |
Aykırı değer notu: 2026 sınıflandırıcı rakamları dinleyici yargısı değil, makine puanlarıdır; sentezlenmiş konuşma üzerinde eğitilen bir sınıflandırıcı sentezlenmiş TESS’te %91,84’e, insan TESS’inde ise %15,00’e ulaştı; bu da sentetik ve insan duygusunun akustik olarak farklı olduğunu düşündürüyor. ED-TTS kendi duygu sınıflandırıcısını kullandı, bu yüzden ölçeği emotion2vec ile doğrudan karşılaştırılamaz.
6. Uzun Metin Okuma: Cümle Testlerinin İşe Yaramadığı Yer
Tek tek cümlelerde iyi duyulan prozodi, bir paragraf boyunca kayabilir, düzleşebilir ya da duraklamaları yanlış yere koyabilir. Bir haber okuma çalışmasında, bir paragrafın en iyi tek cümle puanı bile bütün paragrafın puanındaki varyansın yalnızca yaklaşık %12’sini açıkladı (en yüksek cümle MOS’u ile paragraf MOS’u, r = 0,345, p < 0,01) (Clark ve ark., Evaluating Long-form Text-to-Speech, SSW10 2019). Yazarlar, cümle düzeyindeki puanların “paragraf MOS’unun kötü yordayıcıları” olduğu sonucuna vardı.
2026 tablosu daha dar ama kapanmış değil. SwanBench-Speech’te en iyi kapalı kaynaklı sistem, prozodi puanında gerçek kayıtlara 0,09 yaklaştı (3,95 karşı 4,04); ancak kapalı kaynaklı ortalama, hem ifade zenginliğinde (duygusal yankı, karakter canlandırma, hikâye anlatımı) hem de ifade hiyerarşisinde (paragraf düzeyinde ifade dinamikleri) gerçek konuşmanın 0,93 puan gerisinde kaldı ve çoğu model, bir pasaj 100 sözcüğü geçtiğinde geriledi (Pan ve ark., SwanBench-Speech, ACL 2026 Findings). Anlatımlı eğitim ve açıklayıcı içerik üzerinde çalışan yapımcılar için yapay zekâ seslendirme istatistiklerimiz benimsenme düzeyini ele alıyor ve bir yapay zekâ ses üreticisini değerlendirmenin en kolay yolu, tek bir satır yerine tam bir paragraf dinlemektir.
| Metrik | Değer | Kaynak |
|---|---|---|
| Korelasyon, ortalama cümle puanı ile paragraf puanı (haber) | r = 0,296 (p < 0,05) | Clark ve ark., SSW10 2019 |
| Ortalama puan, kısa cümleler ile 40 saniyelik pasajlar, en iyi model | 4,09 karşı 3,86 | Guo ve ark., HiGNN-TTS 2023 |
| Ortalama puan, kısa cümleler ile 40 saniyelik pasajlar, temel model | 3,52 karşı 3,34 | Guo ve ark., HiGNN-TTS 2023 |
| Sesli kitap dinleme testi: dinleyici / puan / segment uzunluğu | 204 / 33.750 / yaklaşık 2 dakika | Zhang ve ark., SSW 2023 |
| Uzun metin iyileştirmelerinden genel kalite kazancı (özet) | +0,47 MOS | Zhang ve ark., SSW 2023 |
| Çok cümleli bağlam kaldırıldıktan sonra karşılaştırmalı puan: kadın / erkek sesi | -0,42 / -0,58 | Zhang ve ark., SSW 2023 |
| İfade zenginliği: gerçek konuşma, kapalı kaynaklı ortalama ve açık kaynaklı ortalama | 4,35 karşı 3,42 karşı 3,03 | Pan ve ark., SwanBench-Speech 2026 |
| İfade hiyerarşisi (paragraf düzeyi dinamikler): gerçek konuşma ile kapalı kaynaklı ortalama | 3,94 karşı 3,01 | Pan ve ark., SwanBench-Speech 2026 |
Bağlam: SwanBench puanları otomatiktir. Prozodi ölçütü, 50 çiftte 10 insan değerlendiriciyle SRCC = 0,82 düzeyinde, ifade zenginliği ve hiyerarşi hakemi (Gemini 3 Pro) ise 0,71 ve 0,62 düzeyinde uyuştu. Sesli kitap sentezi makalesi, iyileştirmelerinin “temel sentez ile doğal kayıtlar arasındaki büyük farkı azalttığını” ancak kapatmadığını belirtiyor. Clark ve ark. çalışması 2019 tarihlidir; cümle ile paragraf karşılaştırması için mevcut en güncel veridir.
7. İnsan Referansı: Gerçek Prozodi Ne Kadar Değişir
Her “hata” rakamı bir hedef varsayar ve insan prozodisi geniş bir hedeftir. 192 Amerikan İngilizcesi konuşuru arasında artikülasyon hızı, cümle okurken saniyede 3,20 hece, spontan konuşmada ise 4,96 hece idi (Jacewicz ve ark., JASA 2010). Artikülasyon hızı, duraklamalar çıkarıldığında saniyedeki heceleri sayar; böylece tempoyu tereddütten ayırır.
Tek bir kişinin kendi içindeki değişim daha büyük bir hikâye: aynı verilerde, bir konuşurun öbekten öbeğe değişimi konuşurlar arasındaki değişimi aştı. LabPhon 19’da sunulan, yaklaşık 120.000 sözceli bir derlem çalışması, bireysel konuşurların lehçelerden daha fazla değiştiğini buldu. Bu yüzden tek bir referans kaydı zayıf bir ölçüt çubuğudur; 1. bölümde F0 RMSE için gösterildiği gibi.
| Metrik | Değer | Kaynak |
|---|---|---|
| Artikülasyon hızı, okunan cümleler ile spontan konuşma (saniyedeki hece) | 3,20 karşı 4,96 | Jacewicz ve ark., JASA 2010 |
| Spontan konuşma hızı, Wisconsin ile Kuzey Karolina konuşurları (saniyedeki hece) | 5,21 karşı 4,80 | Jacewicz ve ark., JASA 2010 |
| Okuma hızı, genç yetişkinler ile en yaşlı yetişkinler (saniyedeki hece) | 3,58 karşı 3,0 | Jacewicz ve ark., JASA 2010 |
| Konuşma hızı varyansı: konuşur içi ile konuşurlar arası | 1,0 karşı 0,19 | Jacewicz ve ark., JASA 2010 |
| Derlem büyüklüğü: sözce / konuşur / lehçe | 119.736 / 1.115 / 15 | Tanner ve ark., LabPhon 19 |
| İngilizce lehçeler arasında artikülasyon hızındaki tahmini fark | yaklaşık %40 (saniyede yaklaşık 2 hece) | Tanner ve ark., LabPhon 19 |
| Konuşur değişiminin lehçe değişimini aşma olasılığı | 0,98 | Tanner ve ark., LabPhon 19 |
Bağlam: SPADE artikülasyon hızı makalesi, İngiliz ve Kuzey Amerika İngilizcesinden 14 spontan konuşma derlemi kullandı. Jacewicz verileri 2010 tarihlidir; tek bir kontrollü örneklemde okuma ile spontan tempo için mevcut en güncel veridir. Dinleyici yargılarının akustikten ayrıştığı bir başka prozodik özellik için vokal fry istatistiklerimize bakın.
Özet: Sayılarla Sinirsel TTS’te Prozodi ve Tonlama Hatası
| Metrik | Değer | Kaynak |
|---|---|---|
| Perdeyi analiz eden prozodi çalışmaları (2020-2024) | 100 çalışmadan 95’i | Galdino ve ark., JBCS 2025 |
| Log F0 RMSE’nin insan prozodi puanlarıyla korelasyonu | r = 0,30 | Yang ve ark., ProsodyEval 2025 |
| F0 RMSE: yalnızca vokoder ile en iyi tam TTS | 14,03 karşı 27,93 | Xin ve ark., 2022 |
| 2025 tarihli bir prozodi tahmin edicisinin ham perde doğruluğu | %43,9 | Eren ve ark., ProMode 2025 |
| F0 çerçeve hatası, bildirim yapısındaki sorular ile düz cümleler (temel model) | %32,76 karşı %13,53 | Bai ve ark., Interspeech 2022 |
| Soru olarak duyulan bildirim yapısındaki sorular: temel model ile sınıflandırıcılı model | %21,83 karşı %98,41 | Bai ve ark., Interspeech 2022 |
| Sorularda temel modele karşı kazanma oranı: GPT-4o-audio ile Sesame1B | %56,96 karşı %31,78 | Boson AI, EmergentTTS-Eval 2025 |
| Eş yazılı sözcük testi: rastlantı düzeyi ile en iyi sistemler | %50 karşı %80’den fazla | Perrotin ve ark., Blizzard 2023 |
| Pair-Correct karşıtlık vurgusu: en iyi TTS ile yalnızca metinle çalışan dil modeli | %11,5 karşı %76,1 | Turetzky ve ark., CAST 2026 |
| Dinleyici duygu tanıma: insan ile sentezlenmiş | %43 karşı %32 | Abilbekov ve ark., KazEmoTTS 2024 |
| Duygu sınıflandırıcı: insan ile sentezlenmiş TESS | %99,64 karşı %15,31 | Ge ve ark., 2026 |
| CosyVoice 2 duygu doğruluğu: gerçek konuşma ile metinle yönlendirilen | %83,93 karşı %34,57 | Ge ve ark., 2026 |
| Cümle puanı ile paragraf puanı, açıklanan varyans | yaklaşık %12 | Clark ve ark., SSW10 2019 |
| İfade zenginliği: gerçek konuşma ile kapalı kaynaklı ortalama | 4,35 karşı 3,42 | Pan ve ark., SwanBench-Speech 2026 |
| Kısa cümleler ile 40 saniyelik pasajlar, en iyi model | 4,09 karşı 3,86 | Guo ve ark., HiGNN-TTS 2023 |
| Okunan ile spontan artikülasyon hızı (saniyedeki hece) | 3,20 karşı 4,96 | Jacewicz ve ark., JASA 2010 |
| İngilizce lehçeler arasında artikülasyon hızı farkı | yaklaşık %40 | Tanner ve ark., LabPhon 19 |
Metodoloji ve Kaynaklar
Yukarıdaki her rakam, onu bildiren makalede, bildiri sayfasında veya tam metinde okundu. Bir makale sonuçları yalnızca grafikte gösterdiğinde, belirtilen sonuç cümlelerini kullandık ve yaklaşık değerleri dışarıda bıraktık. Makine tarafından puanlanan sonuçlar (yapay zekâ hakemleri, duygu sınıflandırıcıları, otomatik kıyaslamalar) metinde bu şekilde etiketlenmiştir ve dinleyici yüzdeleri olarak okunmamalıdır.
- Galdino, Matos, Svartman ve Aluisio, “The evaluation of prosody in speech synthesis: a systematic review”, Journal of the Brazilian Computer Society, 9 Temmuz 2025
- Yang ve ark., “Measuring Prosody Diversity in Zero-Shot TTS” (ProsodyEval), arXiv 2509.19928, 1 Nisan 2026’da gözden geçirildi
- Minixhofer, Klejch ve Bell, “TTSDS - Text-to-Speech Distribution Score”, arXiv 2407.12707, 2024
- Xin ve ark., “Improving Speech Prosody of Audiobook Text-to-Speech Synthesis with Acoustic and Textual Contexts”, arXiv 2211.02336, 2022
- Guo ve ark., “HiGNN-TTS: Hierarchical Prosody Modeling with Graph Neural Networks for Expressive Long-form TTS”, arXiv 2309.13907, 2023
- Eren ve ark., “ProMode: A Speech Prosody Model Conditioned on Acoustic and Textual Inputs”, arXiv 2508.09389, 2025
- Bai, Ko ve Zhang, “A Study of Modeling Rising Intonation in Cantonese Neural Speech Synthesis”, Interspeech 2022
- Tang ve ark., “QI-TTS: Questioning Intonation Control for Emotional Speech Synthesis”, arXiv 2303.07682, 2023
- Manku ve ark. (Boson AI), “EmergentTTS-Eval”, arXiv 2505.23009, 29 Mayıs 2025
- Perrotin, Stephenson, Gerber ve Bailly, “The Blizzard Challenge 2023”, ISCA Archive
- Turetzky ve ark., “Knowing What to Stress: A Discourse-Conditioned Text-to-Speech Benchmark” (CAST), arXiv 2604.10580, 12 Nisan 2026
- Li ve ark., EME-TTS, konuşma sentezinde vurgu ile duygu arasındaki bağ üzerine, arXiv 2507.12015, 2025
- Gutierrez, Oplustil-Gallegos ve Lai, “Location, Location”, ISCA SSW11, 2021
- Abilbekov ve ark., “KazEmoTTS: A Dataset for Kazakh Emotional Text-to-Speech Synthesis”, arXiv 2404.01033, 2024
- Ge ve ark., “On the Emotion Understanding of Synthesized Speech”, arXiv 2603.16483, 17 Mart 2026
- Tang ve ark., “ED-TTS: Multi-Scale Emotion Modeling using Cross-Domain Emotion Diarization”, arXiv 2401.08166, 2024
- Clark, Silen, Kenter ve Leith, “Evaluating Long-form Text-to-Speech: Comparing the Ratings of Sentences and Paragraphs”, SSW10, arXiv 1909.03965, 2019
- Zhang ve ark., “Audiobook synthesis with long-form neural text-to-speech”, ISCA SSW12, 2023
- Pan ve ark., “Comprehensive Benchmarking of Long-Form Speech Generation in Diverse Scenarios” (SwanBench-Speech), ACL 2026 Findings, arXiv 2605.28618
- Jacewicz, Fox ve Wei, “Between-speaker and within-speaker variation in speech tempo of American English”, Journal of the Acoustical Society of America, 2010
- Tanner ve ark. ve SPADE Data Consortium, “Exposing the anatomy of articulation rate across English dialects and speakers”, LabPhon 19
- Veri notu: F0 RMSE değerleri makaleler arasında karşılaştırılabilir değildir (farklı birimler, hizalama ve veri kümeleri) ve ProMode makalesi birimleri belirtmiyor. Xin ve ark. bir HiFi-GAN satırını tanımlamadan listeliyor; spektral bozulması TTS satırlarının çok altında olduğu için bunu yalnızca vokoder çıktısı olarak okuduk, bu bizim çıkarımımızdır. Jacewicz ve ark. aynı lehçeler için metinde saniyede 5,21 ve 4,80 hece, tabloda ise 5,38 ve 4,97 veriyor; biz metindeki değerleri bildiriyoruz. SSW 2023 sesli kitap makalesi özetinde 0,47 MOS kazanç, gövde metninde ise 0,46 veriyor; sistem başına grafik değerleri güvenilir biçimde eşlenemedi, bu yüzden dışarıda bıraktık. SwanBench-Speech, hiyerarşi farkının “yarım puandan fazla” olduğunu söylüyor, oysa tablo ortalamaları 0,93 anlamına geliyor; biz tabloyu bildiriyoruz. EmergentTTS-Eval ve SwanBench sonuçları, küçük insan panelleriyle doğrulanmış yapay zekâ hakemlerinden geliyor ve EmergentTTS metinlerini yeniden yazan sonraki teknik raporlar özgün makaleyle karşılaştırılamaz. QI-TTS (2023), Xin ve ark. (2022), Bai ve ark. (2022), Gutierrez ve ark. (2021), Clark ve ark. (2019) ve Jacewicz ve ark. (2010) rakamları üç yıldan eskidir ve ilgili ölçümler için mevcut en güncel verilerdir. 2026 kaynaklarının birkaçı hakem değerlendirmesinden önce yayımlanmış ön baskılardır ve değerlendirme sonrasında değişebilir. Bir sonraki Blizzard Challenge sonuçları ve Speech Prosody bildirileri, soru tonlaması ve uzun metin için daha yeni veriler ekleyebilir.
Son güncelleme: 31 Ekim 2026. Bu derlemeyi üç ayda bir güncelliyoruz ve bir sonraki yenilemenin, bir sonraki Blizzard Challenge sonuçları ISCA Archive’da yayımlandığında yapılması bekleniyor.