基于 Tacotron 的系统中字素嵌入与发音关系的研究
计算与语言
2021-04-06 v2
摘要
端到端模型，尤其是基于 Tacotron 的模型，目前是语音合成的热门方案。它们能以极少甚至无需文本预处理的方式生成高质量合成语音。事实上，它们可以直接使用字素或音素作为输入进行训练。然而，在字素输入的情况下，关于模型所学底层表示与单词发音之间的关系知之甚少。本文以在法语字素上训练的 Tacotron 模型为例研究该关系。我们的分析表明，尽管训练时未提供此类信息，字素嵌入仍与音素信息相关。得益于这一性质，我们展示了 Tacotron 模型学到的字素嵌入可用于字素到音素转换以及合成语音中发音控制等任务。
引用
@article{arxiv.2010.10694,
title = {An Investigation of the Relation Between Grapheme Embeddings and Pronunciation for Tacotron-based Systems},
author = {Antoine Perquin and Erica Cooper and Junichi Yamagishi},
journal= {arXiv preprint arXiv:2010.10694},
year = {2021}
}
备注
Submitted to Interspeech 2021