MFCCGAN：一种基于 MFCC 并利用对抗学习的新型语音合成器
声音
2023-10-26 v1 人工智能
音频与语音处理
摘要
本文介绍 MFCCGAN，一种基于对抗学习的新型语音合成器，其采用 MFCC 作为输入并生成原始语音波形。得益于 GAN 模型的能力，它生成的语音比基于规则的 MFCC 语音合成器 WORLD 具有更高的可懂度。我们基于一种流行的侵入式客观语音可懂度度量（STOI）和质量度量（NISQA 分数）对模型进行评估。实验结果表明，与 Librosa MFCC 逆变换相比，我们所提系统的 STOI 提升约 26% 至 53%、NISQA 分数提升 16% 至 78%；与 CycleGAN-VC 系列中使用的常规基于规则的声码器 WORLD 相比，可懂度提升约 10%、自然度提升约 4%。然而，WORLD 需要如 F0 等额外数据。最后，在基于 STOI 的判别器中使用感知损失可进一步提升质量。基于 WebMUSHRA 的主观测试也显示了所提方法的质量。
引用
@article{arxiv.2306.12785,
title = {MFCCGAN: A Novel MFCC-Based Speech Synthesizer Using Adversarial Learning},
author = {Mohammad Reza Hasanabadi Majid Behdad Davood Gharavian},
journal= {arXiv preprint arXiv:2306.12785},
year = {2023}
}
备注
ICASSP 2023 - 2023 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)