在语音中控制你的属性

生成任务中的属性控制旨在修改个人属性（如年龄和性别），同时保留源样本中的身份信息。尽管在图像生成中控制面部属性方面已取得显著进展，但语音生成中的类似方法在很大程度上仍未被探索。本文提出了一种无需并行数据即可控制语音中说话人属性的新方法。我们的方法由两个主要部分组成：一个基于 GAN 的说话人表示变分自编码器，用于从说话人向量中提取说话人身份和属性；以及一个两阶段语音转换模型，用于捕捉语音中说话人属性的自然表达。实验结果表明，我们提出的方法不仅在说话人表示层面实现了属性控制，还能在语音层面操控说话人的年龄和性别，同时保持语音质量和说话人身份。