ESPnet2-TTS：拓展语音合成研究的前沿
计算与语言
2021-10-18 v1 声音
音频与语音处理
摘要
本文介绍ESPnet2-TTS，一个端到端文本到语音（E2E-TTS）工具包。ESPnet2-TTS通过添加许多新功能扩展了我们早期的版本ESPnet-TTS，这些功能包括：动态灵活预处理、与神经声码器的联合训练，以及带有扩展功能（如全频带E2E文本到波形建模）的当前最优TTS模型，这些扩展简化了训练流程并进一步提升了TTS性能。我们配方（recipes）的统一设计使用户能够快速复现当前最优的E2E-TTS结果。我们还提供了一个统一的Python接口用于推理的许多预训练模型，为用户生成基线样本和构建演示提供了快速途径。基于英语和日语语料库的实验评估表明，我们提供的模型合成的语音与真实语音相当，达到了当前最优的TTS性能。该工具包可在https://github.com/espnet/espnet在线获取。
引用
@article{arxiv.2110.07840,
title = {ESPnet2-TTS: Extending the Edge of TTS Research},
author = {Tomoki Hayashi and Ryuichi Yamamoto and Takenori Yoshimura and Peter Wu and Jiatong Shi and Takaaki Saeki and Yooncheol Ju and Yusuke Yasuda and Shinnosuke Takamichi and Shinji Watanabe},
journal= {arXiv preprint arXiv:2110.07840},
year = {2021}
}
备注
Submitted to ICASSP2022. Demo HP: https://espnet.github.io/icassp2022-tts/