Η παρούσα διπλωματική εργασία εξετάζει τη σύνθεση φωνής (Text-to-Speech – TTS) μέσω της αξιοποίησης προεκπαιδευμένων νευρωνικών μοντέλων, με στόχο τη συγκριτική αξιολόγηση της ακουστικής ποιότητας και της υπολογιστικής αποδοτικότητας. Στο πλαίσιο της μελέτης αναπτύχθηκε ένα πειραματικό περιβάλλον βασισμένο σε εργαλεία ανοιχτού λογισμικού, το οποίο επιτρέπει την παραγωγή και ανάλυση συνθετικής ομιλίας υπό ελεγχόμενες συνθήκες. Η πειραματική διαδικασία επικεντρώθηκε σε δύο μοντέλα, το MMS_TTS_VITS και το SpeechT5, τα οποία αξιολογήθηκαν χρησιμοποιώντας κοινό σύνολο εισόδων και ενιαίο pipeline μετασχηματισμού από κείμενο σε ηχητική κυματομορφή. Η αξιολόγηση βασίστηκε σε συνδυασμό αντικειμενικών και proxy μετρικών, όπως το Mean Opinion Score (MOS), ο δείκτης Real-Time Factor (RTF), καθώς και φασματικά χαρακτηριστικά όπως RMS energy, spectral centroid και MFCC.

Τα αποτελέσματα καταδεικνύουν ότι το MMS_TTS_VITS υπερτερεί σημαντικά ως προς τη φυσικότητα και τη συνοχή της παραγόμενης ομιλίας, επιτυγχάνοντας υψηλότερες τιμές MOS και πιο ισορροπημένη φασματική κατανομή. Αντιθέτως, το SpeechT5 εμφανίζει καλύτερη υπολογιστική αποδοτικότητα, αλλά μειωμένη ακουστική ποιότητα. Η σύγκριση αυτή αναδεικνύει το βασικό trade-off μεταξύ ποιότητας και ταχύτητας που χαρακτηρίζει τα σύγχρονα συστήματα TTS. Τέλος, η εργασία υπογραμμίζει τη σημασία των προεκπαιδευμένων μοντέλων ως εργαλείων ταχείας ανάπτυξης, ενώ προτείνονται μελλοντικές κατευθύνσεις όπως η πολυγλωσσική σύνθεση φωνής και η real-time υλοποίηση.

This thesis investigates Text-to-Speech (TTS) systems using pretrained neural models, focusing on the comparative evaluation of acoustic quality and computational efficiency. An experimental framework was developed using open-source tools to generate and analyze synthetic speech under controlled conditions. The study evaluates two pretrained models, MMS_TTS_VITS and SpeechT5, using a unified input dataset and a consistent processing pipeline from text to audio waveform. The evaluation methodology combines objective and proxy metrics, including Mean Opinion Score (MOS), Real-Time Factor (RTF), and spectral features such as RMS energy, spectral centroid, and MFCC.

The results show that MMS_TTS_VITS significantly outperforms SpeechT5 in terms of naturalness and coherence, achieving higher MOS values and more balanced spectral characteristics. In contrast, SpeechT5 demonstrates better computational efficiency but lower audio quality. These findings highlight the trade-off between quality and performance in modern TTS systems. Finally, the study emphasizes the importance of pretrained models for rapid development and suggests future directions such as multilingual TTS, zero-shot voice cloning, and real-time inference optimization.