基于注意力的交互式解缠网络用于实例级情感语音转换

情感语音转换旨在根据给定情感操纵语音，同时保留非情感成分。现有方法无法很好地表达细粒度情感属性。本文提出一种基于注意力的交互式解缠网络（AINN），利用实例级情感知识进行语音转换。我们引入两阶段流水线有效训练网络：第一阶段利用语音间对比学习建模细粒度情感，以及语音内解缠学习更好地分离情感和内容。第二阶段，我们提出用多视图一致性机制正则化转换。该技术帮助我们传递细粒度情感并保持语音内容。大量实验表明，我们的AINN在客观和主观指标上均优于现有技术。