用于Zerospeech 2020挑战赛的贝叶斯子空间HMM
音频与语音处理
2020-07-28 v2 计算与语言
机器学习
机器学习
摘要
本文描述了我们向Zerospeech 2020挑战赛提交的系统，该挑战赛要求参与者从未标注语音中发现潜在表示，并利用这些表示进行语音合成，以合成质量作为单元质量的代理指标。在我们的系统中，我们使用贝叶斯子空间隐马尔可夫模型（SHMM）进行单元发现。SHMM将每个单元建模为一个HMM，其参数被约束在总参数空间的低维子空间中，该子空间经训练以建模音素变异性。我们的系统在人类评估的字符错误率上优于基线，同时保持显著更低的单元比特率。
引用
@article{arxiv.2005.09282,
title = {Bayesian Subspace HMM for the Zerospeech 2020 Challenge},
author = {Bolaji Yusuf and Lucas Ondel},
journal= {arXiv preprint arXiv:2005.09282},
year = {2020}
}