越南语统计参数语音合成系统的比较
音频与语音处理
2020-05-28 v1 计算与语言
声音
摘要
近年来，统计参数语音合成（SPSS）系统已被广泛应用于许多基于语音的交互系统中（例如亚马逊的 Alexa、Bose 的耳机）。为选择合适的 SPSS 系统，必须同时考虑语音质量与性能效率（例如解码时间）。在本文中，我们使用以下四种流行的越南语 SPSS 技术，从语音质量与性能效率方面进行比较：1）隐马尔可夫模型（HMM），2）深度神经网络（DNN），3）生成对抗网络（GAN），以及 4）端到端（E2E）架构，后者由 Tacontron~2 与 WaveGlow 声码器组成。我们表明，E2E 系统取得了最佳质量，但需要 GPU 算力以实现实时性能。我们也表明，基于 HMM 的系统语音质量较差，但它是效率最高的系统。令人惊讶的是，在 GPU 上推理时，E2E 系统比 DNN 和 GAN 更高效。令人惊讶的是，基于 GAN 的系统在质量方面并未优于 DNN。
引用
@article{arxiv.2005.12962,
title = {A comparison of Vietnamese Statistical Parametric Speech Synthesis Systems},
author = {Huy Kinh Phan and Viet Lam Phung and Tuan Anh Dinh and Bao Quoc Nguyen},
journal= {arXiv preprint arXiv:2005.12962},
year = {2020}
}
备注
9 pages, submitted to KSE 2020