اندازه‌گیری خودکار کیفیت مدل‌های تبدیل متن به گفتار (Text-to-Speech) بسیار دشوار است. ارزیابی طبیعی بودن و آهنگ صدا برای انسان کاری ساده است، اما برای هوش مصنوعی چالش‌برانگیز است. به همین دلیل، هافینگ فیس (Hugging Face) امروز از ابزار جدیدی به نام TTS Arena رونمایی کرد.
چرا TTS Arena؟
در حوزه سنتز گفتار، مدت‌هاست که روش دقیقی برای سنجش کیفیت مدل‌های مختلف وجود ندارد. معیارهای عینی مانند نرخ خطای کلمه (WER) نمی‌توانند کیفیت واقعی مدل را نشان دهند و ارزیابی انسانی هم پرهزینه و زمان‌بر است. TTS Arena با الهام از Chatbot Arena پروژه LMSys، بستری فراهم کرده تا هر کسی بتواند به سادگی دو مدل را در کنار هم مقایسه کند.
نحوه کار TTS Arena
کاربر در این ابزار متنی را وارد می‌کند و دو مدل مختلف آن را می‌خوانند. سپس کاربر رأی می‌دهد که کدام مدل بهتر بوده است. این رأی‌ها جمع‌آوری شده و در قالب یک لیدربورد (جدول رده‌بندی) نمایش داده می‌شود که محبوب‌ترین مدل‌ها را از نگاه جامعه معرفی می‌کند.
مدل‌های منتخب و لیدربورد
در TTS Arena مجموعه‌ای از مدل‌های متن‌باز و اختصاصی انتخاب شده‌اند تا کاربران بتوانند آن‌ها را ارزیابی کنند. لیدربورد به‌صورت شفاف و پویا، نتایج رأی‌گیری را نشان می‌دهد و به مرور به‌روزرسانی می‌شود.
- مقایسه دو مدل به‌صورت هم‌زمان
- رأی‌گیری ساده کاربران
- نمایش نتایج در لیدربورد عمومی
- الهام از Chatbot Arena برای ارزیابی کیفیت
جمع‌بندی
TTS Arena گامی مهم در جهت ارزیابی دموکراتیک و دقیق مدل‌های تبدیل متن به گفتار است. این ابزار به توسعه‌دهندگان و کاربران کمک می‌کند تا بهترین مدل را بر اساس نظر جامعه انتخاب کنند و به پیشرفت هوش مصنوعی باز و متن‌باز کمک می‌کند.
پرسش‌های پرتکرار
TTS Arena چیست؟
TTS Arena ابزاری از هافینگ فیس است که به کاربران امکان می‌دهد دو مدل تبدیل متن به گفتار را با هم مقایسه کرده و به بهترین‌ها رأی دهند. نتایج در یک لیدربورد نمایش داده می‌شود.
چگونه می‌توانم در TTS Arena شرکت کنم؟
کافی است به وب‌سایت TTS Arena مراجعه کنید، متنی وارد کنید، صدای دو مدل را بشنوید و به مدل بهتر رأی دهید؛ سپس نتایج در لیدربورد عمومی قرار می‌گیرد.
