Machine Learning for Croatian Speech Synthesis

Strojna tvorba govora predstavlja vrlo važnu komponentu u komunikaciji čovjeka i računalnih sustava. Strojno učenje metoda je umjetne inteligencije koja se primjenjuje za rješavanje sve većeg broja problema. Zadnjih je godina strojno učenje, a posebice njegov dio duboko učenje, primjenu pronašlo i za izradu sustava strojne tvorbe govora. Takvi sustavi pokazali su obećavajuće rezultate za engleski jezik, te je u sklopu ovoga rada implementiran sustav koji tvori hrvatski jezik. U sklopu ovog rada opisana je i arhitektura sustava za strojnu tvorbu govora Tacotron 2 te je korištenjem sustava otvorenog koda Mozilla TTS implementirana strojna tvorba hrvatskoga jezika. Predstavljeni su rezultati učenja modela korištenjem dva različita skupa podataka te rezultati primjene prijenosnog učenja na postojeći model za engleski jezik.Machine speech formation is a very important component of human-computer communication. Machine learning is an artificial intelligence method that is being applied to solve a growing number of problems. In recent years, machine learning, and especially deep learning, has found an application for the development of text to speech systems. Such systems have shown promising results for the English language, and as part of this paper, a system that generates the Croatian language has been implemented. As part of this paper, the architecture of the Tacotron 2 machine for the formation of speech is described, and the machine creation of the Croatian language is implemented using the open-source system Mozilla.The learning outcomes of the model using two different data sets and the results of applying transferable learning to an existing English model are presented