视听语音合成：简要文献综述

本简要文献综述研究视听语音合成问题，即给定文本作为输入生成动画说话头的问题。由于该问题高度复杂，我们将其视为两个子问题的组合。具体而言，即文本到语音（TTS）合成以及语音驱动的说话头动画。对于 TTS，我们介绍了用于将文本映射至中间声学表示（如梅尔频谱图）的模型，以及以这些中间表示为条件生成语音信号的模型（即声码器）。对于说话头动画问题，我们根据所生成的是人脸还是拟人形象对方法进行分类。并尝试讨论第二种情况下面部模型选择的重要性。在整个综述中，我们简要描述了视听语音合成中最重要的工作，力图凸显各种方法的优缺点。