MAIN-VC：用于 One-shot 语音转换的轻量级语音表征解耦

One-shot 语音转换旨在仅用一条语音样本，将任意源语音的音色转换为匹配未见目标说话人的音色。现有方法在令人满意的语音表征解耦方面面临困难，并且由于其中一些方法利用大量复杂模块进行解耦，导致网络规模庞大。在本文中，我们提出名为 MAIN-VC 的模型，通过简洁的神经网络进行有效解耦。所提模型利用 Siamese 编码器学习干净的表征，并通过所设计的互信息估计器进一步增强。Siamese 结构与新设计的卷积模块有助于我们模型的轻量化，同时确保在多样化语音转换任务中的性能。实验结果表明，在 one-shot 语音转换场景下，与现有方法相比，所提模型获得了可比的主观分数，并在客观指标上展现出改进。