MuLanTTS:面向 Blizzard Challenge 2023 的微软语音合成系统
音频与语音处理
2023-09-13 v3 声音
摘要
本文介绍 MuLanTTS,即微软为 Blizzard Challenge 2023 设计的端到端神经文本到语音(TTS)系统。赛事发布约 50 小时法语 TTS 有声书语料作为 hub 任务,以及另 2 小时说话人自适应作为 spoke 任务,用于构建面向句子、段落、同形异义词、列表等不同测试目的的合成语音。在 DelightfulTTS 基础上,我们采用上下文与情感编码器来适配有声书数据,以丰富长文本韵律与对话表现力。针对录音质量,我们对两个语料均应用了降噪算法与长音频处理。hub 任务仅使用 50 小时单说话人数据构建 TTS 系统,而 spoke 任务则使用多说话人源模型进行目标说话人微调。MuLanTTS 在两项任务中分别取得质量评估均分 4.3 与 4.5,统计上与自然语音相当,且据相似度评估保持良好相似度。本年度全新且密集的统计评估中展现的优异与相似性,表明了我们所提系统在两任务上的有效性。
引用
@article{arxiv.2309.02743,
title = {MuLanTTS: The Microsoft Speech Synthesis System for Blizzard Challenge 2023},
author = {Zhihang Xu and Shaofei Zhang and Xi Wang and Jiajun Zhang and Wenning Wei and Lei He and Sheng Zhao},
journal= {arXiv preprint arXiv:2309.02743},
year = {2023}
}
备注
6 pages