用于语音情感识别的生成式情感AI：合成情感语音增强的案例
声音
2023-01-11 v1 音频与语音处理
摘要
尽管深度学习取得了进展，当前的先进语音情感识别（SER）系统由于缺少语音情感数据集而性能仍然不佳。本文提出利用基于扩展Tacotron架构的端到端文本到语音（TTS）系统生成的合成情感语音来增强SER系统。所提TTS系统包含说话人与情感嵌入的编码器、用于生成梅尔谱图的序列到序列文本生成器，以及从梅尔谱图生成音频的WaveRNN。大量实验表明，所生成的情感语音质量能显著提升多个数据集上的SER性能，其相较基线更高的平均意见得分（MOS）证明了这一点。所生成的样本在增强SER性能方面同样有效。
引用
@article{arxiv.2301.03751,
title = {Generative Emotional AI for Speech Emotion Recognition: The Case for Synthetic Emotional Speech Augmentation},
author = {Abdullah Shahid and Siddique Latif and Junaid Qadir},
journal= {arXiv preprint arXiv:2301.03751},
year = {2023}
}
备注
Under review