面向连续情感文本转语音合成器的愉悦-唤醒-支配维度调整
音频与语音处理
2022-11-28 v1 机器学习
声音
摘要
情感并不限于快乐、悲伤、愤怒、恐惧、厌恶、惊讶等离散类别。相反，每个情感类别被映射为一组近乎独立的维度，称为愉悦（或效价）、唤醒和支配，即 PAD。每个维度取值从 -1 到 1，中性情感位于中心且取值全零。在独立维度上训练情感连续文本转语音（TTS）合成器，提供了合成无限类别情感语音的可能性。我们的端到端神经语音合成器基于著名的 Tacotron。根据经验，我们找到了注入三维 PAD 的最佳网络架构。此外，为语音合成目的对 PAD 值进行了调整。
引用
@article{arxiv.1906.05507,
title = {Adjusting Pleasure-Arousal-Dominance for Continuous Emotional Text-to-speech Synthesizer},
author = {Azam Rabiee and Tae-Ho Kim and Soo-Young Lee},
journal= {arXiv preprint arXiv:1906.05507},
year = {2022}
}
备注
Interspeech2019, Show and Tell demonstration https://www.youtube.com/watch?v=MAOk_ZxuA0I&feature=youtu.be