AC-VC：基于音素后验图的非并行低延迟语音转换
音频与语音处理
2021-11-15 v1 声音
摘要
本文提出 AC-VC（Almost Causal Voice Conversion，几乎因果语音转换），一种基于音素后验图的语音转换系统，可执行任意到多人的语音转换，且仅需 57.5 ms 的未来前瞻。完整系统由三个使用非并行数据分别训练的神经网络组成。当前多数语音转换系统主要关注音质而不考虑算法延迟，本工作详述了一种仅使用极少未来上下文的方法设计，从而允许未来实时实现。根据本文组织的主观听测，所提 AC-VC 系统在自然度上以 3.5 的 MOS 与 Voice Conversion Challenge 2020 的非因果 ASR-TTS 基线持平。相反，结果表明缺失未来上下文会影响说话人相似度。获得的 65% 相似度低于当前最佳语音转换系统。
引用
@article{arxiv.2111.06601,
title = {AC-VC: Non-parallel Low Latency Phonetic Posteriorgrams Based Voice Conversion},
author = {Damien Ronssin and Milos Cernak},
journal= {arXiv preprint arXiv:2111.06601},
year = {2021}
}
备注
ASRU 2021