基于 FastPitch 的自然语音合成与说话人适应的高效训练策略

本文聚焦于 FastPitch 模型功能在罗马尼亚语方面的适配；将说话人数量从 1 人扩展至 18 人；实现基于匿名身份的语音合成；以及复制新出现的、未见过的说话人的身份。本工作期间，我们测试并讨论了 various 配置和训练策略的影响及其优势与局限。最终，我们确定了一种新的配置，该配置基于 FastPitch 架构，能够为已知（来自训练数据集中身份）和未知（通过短参考样本学习的身份）说话人产生自然的语音合成。匿名说话人可用于文本转语音合成，以在保持语义内容完整清晰的同时消除身份信息。最后，我们讨论了本工作的可能局限，这将为未来的研究与进步奠定基础。