创建非裔美国人声音的TTS: 指南、技术挑战和令人惊讶的评估结果

用户界面和机器人技术中的AI智能体 representation 主要以白人为代表,这不仅体现在面部和皮肤特征上,也体现在合成声音上。在这篇论文中,我们探讨了在开发旨在听起来像受过教育、专业、无地区口音的非裔美国女性的美国英语Text-to-Speech(TTS)系统过程中,一些出乎意料的representation挑战。论文首先介绍了与非裔美国IT专业人员进行的焦点小组结果,讨论并收集了创建具有代表性且恰当的TTS系统的指南和挑战,然后讨论了TTS系统开发者面临的一些技术困难。接着,我们描述了两项针对美国英语使用者的研究,参与者无法正确识别非裔美国TTS语音的种族,而在质量相似的白人TTS系统情况下却能正确识别其种族。一个非裔美国IT工作者焦点小组不仅确认了我们构建的非裔美国语音的代表性,还表明令人惊讶的识别结果可能是由于非裔美国人将受过教育、非方言、专业声音与黑人联系起来的能力有限或潜在偏见造成的。