高保真神经音素后验图
音频与语音处理
2024-02-28 v1 声音
摘要
音素后验图（PPG）是语音声学单元（如音素）上的时变分类分布。PPG在语音生成中是一种流行的表示，因为它们能够将发音特征与说话人身份分离，从而允许准确重建发音（例如语音转换）和粗粒度发音编辑（例如外国口音转换）。在本文中，我们显著提高了PPG的质量，以产生最先进的可解释PPG表示。我们使用我们的PPG表示训练了一个现成的语音合成器，并表明高质量的PPG能够独立控制音高和发音。我们进一步展示了PPG的新用途，例如声学发音距离和细粒度发音控制。
引用
@article{arxiv.2402.17735,
title = {High-Fidelity Neural Phonetic Posteriorgrams},
author = {Cameron Churchwell and Max Morrison and Bryan Pardo},
journal= {arXiv preprint arXiv:2402.17735},
year = {2024}
}
备注
Accepted to ICASSP 2024 Workshop on Explainable Machine Learning for Speech and Audio