评估与个性化定制用户感知的文本转语音质量：在不同物理化身中传递正念冥想

基于正念的治疗已被证明能有效改善心理健康，技术手段有潜力扩大这些疗法的可及性。为实现这些方法中正念练习的实时个性化内容生成，需要高质量的计算机合成文本转语音（TTS）语音来提供口头指导并响应用户表现和偏好。然而，用于需要情感表达的正念冥想中最先进的TTS语音的用户感知质量尚未得到评估。此外，尚未研究物理化身和个性化对正念TTS语音用户感知质量的影响。为此，我们设计了两阶段人类被试研究。在第一阶段，一项在线众包平台（Mechanical Turk）被试间研究（N=471）评估了3种（女性化、男性化、童声）最先进的TTS语音与2种（女性化、男性化）人类治疗师语音，在3种不同物理化身设置（无代理、对话代理、社会辅助机器人）中对远程参与者进行评估。基于第一阶段的发现，在第二阶段，我们进行了一项现场被试内研究（N=94），使用我们开发的新型TTS语音个性化框架，并将其与第一阶段评分最高的非个性化语音进行比较用户感知质量。我们发现评分最高的人类语音在感知上优于所有TTS语音；TTS语音的情感表达和自然度评分较差，而用户对TTS语音的清晰度感到满意。令人惊讶的是，通过允许用户微调TTS语音特征，用户个性化的TTS语音几乎可以表现得与人类语音一样好，表明用户个性化可以成为提高TTS语音用户感知质量的简单而有效的工具。