用于语言无关说话人复制的多级注意力聚合

本文探讨了语言无关说话人复制任务，这是一项旨在复现说话人声音而不受其所说语言限制的新颖工作。为此，我们引入了一种多级注意力聚合方法，该方法以分层方式系统地探测并放大各种说话人特定属性。通过在包括所见与未见说话人使用所见与未见语言进行对话的广泛场景中进行严格评估，我们证实所提出的模型能够实现显著的说话人相似度，并能够泛化至域外（OOD）情况。