用于移动设备的快速、紧凑且高质量的基于 LSTM-RNN 的统计参数语音合成器
声音
2016-06-23 v2 计算与语言
摘要
基于长短期记忆递归神经网络（LSTM-RNN）的声学模型已被应用于统计参数语音合成（SPSS），并在自然度和延迟方面显示出优于基于隐马尔可夫模型（HMM）的声学模型的显著改进。本文描述了基于 LSTM-RNN 的 SPSS 在移动设备上部署的进一步优化：权重量化、多帧推理以及使用 污染高斯损失函数的鲁棒推理。主观听力测试中的实验结果表明，这些优化可以使基于 LSTM-RNN 的 SPSS 在运行速度上与基于 HMM 的 SPSS 相当，同时保持自然度。此外，还展示了基于 LSTM-RNN 的 SPSS 与 HMM 驱动的单元选择语音合成之间的评估结果。
引用
@article{arxiv.1606.06061,
title = {Fast, Compact, and High Quality LSTM-RNN Based Statistical Parametric Speech Synthesizers for Mobile Devices},
author = {Heiga Zen and Yannis Agiomyrgiannakis and Niels Egberts and Fergus Henderson and Przemysław Szczepaniak},
journal= {arXiv preprint arXiv:1606.06061},
year = {2016}
}
备注
13 pages, 3 figures, Interspeech 2016 (accepted)