GlowVC：用于语言无关无文本语音转换的梅尔谱空间解耦模型

本文中，我们提出 GlowVC：一种用于语言无关无文本语音转换的多语言多说话人流式模型。我们基于 Glow-TTS 构建，其提供的架构可在训练时使用语言特征而无需在 VC 推理时使用。我们考虑模型的两个版本：GlowVC-conditional 与 GlowVC-explicit。GlowVC-conditional 以说话人条件化流对梅尔谱分布建模，并将梅尔谱空间解耦为内容与音高相关维度；而 GlowVC-explicit 以非条件化流对显式分布建模，并将该空间解耦为内容、音高与说话人相关维度。我们在已见与未见语言的语内及跨语言转换场景下，从可懂度、说话人相似度与自然度方面评估我们的模型。GlowVC 模型在可懂度上大幅优于 AutoVC 基线，同时在语内 VC 中达到同等高的说话人相似度，在跨语言设定下略低。此外，我们证明 GlowVC-explicit 在自然度上超越 GlowVC-conditional 与 AutoVC。