在 FastPitch 中利用保音色音高增强提升音高可控性
音频与语音处理
2022-04-13 v1 人工智能
声音
摘要
近期开发的音高可控文本到语音（TTS）模型 FastPitch 以音高轮廓为条件。然而，对于偏离平均音高较大的音高值，合成语音的质量显著下降；即其控制音高的能力有限。为解决此问题，我们提出两种算法以提升 FastPitch 的鲁棒性。首先，我们提出一种新颖的保音色移调算法用于自然音高增强。使用该算法时，移调后的语音样本听起来更自然，因为说话人的声学音色得以保持。此外，我们提出一种训练算法，使用针对同一句子具有不同音高范围的音高增强语音数据集来定义 FastPitch。实验结果表明，所提算法提升了 FastPitch 的音高可控性。
引用
@article{arxiv.2204.05753,
title = {Enhancement of Pitch Controllability using Timbre-Preserving Pitch Augmentation in FastPitch},
author = {Hanbin Bae and Young-Sun Joo},
journal= {arXiv preprint arXiv:2204.05753},
year = {2022}
}
备注
Submitted to INTERSPEECH 2022