优化越南语文本到语音系统自然度的数据处理方法
音频与语音处理
2020-04-22 v1 机器学习
声音
摘要
端到端文本到语音（TTS）系统在使用消声室中高质量麦克风录制的大量高质量训练数据时，已证明取得了巨大成功。另一种方法是使用现有的现成数据源，如广播新闻。我们旨在使用一种新颖的数据处理方法，优化基于现成数据的 TTS 系统的自然度。该数据处理方法包括：1) 话语选择和 2) 韵律标点插入，以准备能够优化 TTS 系统自然度的训练数据。我们表明，使用该数据处理方法，端到端 TTS 获得了 4.1 的平均意见分（MOS），而自然语音为 4.3。我们表明，标点插入对结果贡献最大。为了促进 TTS 系统的研究与开发，我们在 https://forms.gle/6Hk5YkqgDxAaC2BU6 发布了一位说话人的处理后数据。
引用
@article{arxiv.2004.09607,
title = {Data Processing for Optimizing Naturalness of Vietnamese Text-to-speech System},
author = {Viet Lam Phung and Phan Huy Kinh and Anh Tuan Dinh and Quoc Bao Nguyen},
journal= {arXiv preprint arXiv:2004.09607},
year = {2020}
}
备注
8 pages, 2 figures, submit to Oriental Cocosda