基于硬对齐的序列到序列语音合成中概率分布、随机性与搜索方法对对齐建模的影响
音频与语音处理
2019-10-29 v1 计算与语言
声音
机器学习
摘要
序列到序列语音合成（TTS）主要由基于软注意力的方法主导。近来，基于硬注意力的方法被提出以防止致命的对齐错误，但其离散对齐的采样方法鲜有研究。本研究在一种称为 SSNT-TTS 的基于硬对齐的序列到序列 TTS 方法中，探讨了用于对齐转移建模的多种采样方法与概率分布的组合。我们以更一般的方式厘清了离散变量的常见采样方法，包括贪心搜索、束搜索以及从伯努利分布中随机采样。此外，我们引入二元 Concrete 分布以更恰当地对离散变量建模。听测结果表明，确定性搜索比随机搜索更受青睐，且二元 Concrete 分布在随机搜索下对自然对齐转移具有鲁棒性。
引用
@article{arxiv.1910.12383,
title = {Effect of choice of probability distribution, randomness, and search methods for alignment modeling in sequence-to-sequence text-to-speech synthesis using hard alignment},
author = {Yusuke Yasuda and Xin Wang and Junichi Yamagishi},
journal= {arXiv preprint arXiv:1910.12383},
year = {2019}
}
备注
Submitted to ICASSP 2020