基于排序模块与语音增广的语音转换自动解耦
声音
2023-06-22 v1 机器学习
音频与语音处理
摘要
语音转换(VC)将源语音的声音转换为目标说话人的声音，同时保持源语音的内容。语音主要可分解为四个成分：内容、音色、节奏与音高。遗憾的是，多数相关工作仅考虑内容与音色，导致语音自然度不足。一些近期工作能将语音解耦为若干成分，但它们需要繁琐的瓶颈调优或各种手工特征，且各自假定包含解耦的语音信息。本文提出一种VC模型，仅使用两种增广函数即可自动将语音解耦为四个成分，无需多个手工特征或繁琐的瓶颈调优。所提模型简洁而高效，实验结果表明，在解耦效果与语音自然度方面，我们的模型优于基线。
引用
@article{arxiv.2306.12259,
title = {Automatic Speech Disentanglement for Voice Conversion using Rank Module and Speech Augmentation},
author = {Zhonghua Liu and Shijun Wang and Ning Chen},
journal= {arXiv preprint arXiv:2306.12259},
year = {2023}
}
备注
Accepted by INTERSPEECH2023