DuTa-VC：一种基于扩散概率模型的时长感知典型到非典型语音转换方法
音频与语音处理
2023-06-21 v1 信号处理
摘要
我们提出一种新颖的典型到非典型语音转换方法（DuTa-VC），其（i）可使用非并行数据训练，（ii）首次引入扩散概率模型，（iii）保留目标说话人身份，（iv）感知目标说话人的音素时长。DuTa-VC 由三部分组成：编码器将源 mel 频谱图转换为时长修正的说话人无关 mel 频谱图，解码器执行反向扩散以生成目标 mel 频谱图，并应用声码器重建波形。在 UASpeech 上的客观评估表明，DuTa-VC 能够捕捉构音障碍语音的严重度特征，保留说话人身份，并作为数据增强显著改善构音障碍语音识别。两位专家言语病理学家的主观评估证实，DuTa-VC 能在合成语音中保留目标说话人的构音障碍严重度与类型。
引用
@article{arxiv.2306.10588,
title = {DuTa-VC: A Duration-aware Typical-to-atypical Voice Conversion Approach with Diffusion Probabilistic Model},
author = {Helin Wang and Thomas Thebaud and Jesus Villalba and Myra Sydnor and Becky Lammers and Najim Dehak and Laureano Moro-Velazquez},
journal= {arXiv preprint arXiv:2306.10588},
year = {2023}
}