AMNet：面向增强中文语音合成的声学模型网络

本文提出 AMNet，一种面向提升中文语音合成性能的声学模型网络，通过引入短语结构标注和局部卷积模块。AMNet 基于 FastSpeech 2 架构构建，旨在解决局部上下文建模的难题，这对于捕捉停顿、重读和语调等细致语音特征至关重要。通过将短语结构解析器嵌入模型并引入局部卷积模块，AMNet 增强了模型对局部信息的敏感性。此外，AMNet 将声调特征从音素中解耦，提供语调建模的明确指导，从而提高语调准确性和发音质量。实验结果表明，AMNet 在主观和客观评估方面均优于基线模型。该模型实现了卓越的平均意见分数（MOS）、更低的梅尔倒谱失真（MCD），以及改进的基频拟合 $F0 (R^2)$，证明其能够生成高质量、自然且富有表现力的中文语音。