法语神经语音合成：基于SynPaFlex语料库与Tacotron2的字素与音素输入比较
音频与语音处理
2023-04-19 v2
摘要
SynPaFlex-Corpus是一个公开可用的面向TTS的数据集，其提供由JTrans转写器自动生成的音素转写，音素错误率（PER）为6.1%。本文中，我们分析了两个在SynPaFlex-Corpus提供的字素与音素输入上训练的单体说话人Tacotron2模型。通过三项主观听测，我们比较了它们的发音准确度、音质与自然度。我们的结果显示，基于音素的模型在发音准确度和韵律自然度上显著更优，但在感知音质方面无显著差异。它们表明，在83小时录制的法语朗读语音下，6.1%的PER足以通过使用音素转写而非字素来增强发音控制。它们提示SynPaFlex-Corpus适用于在单体说话人微调方法中进行模型预训练。
引用
@article{arxiv.2304.08209,
title = {Neural TTS in French: Comparing Graphemic and Phonetic Inputs Using the SynPaFlex-Corpus and Tacotron2},
author = {Samuel Delalez and Ludi Akue},
journal= {arXiv preprint arXiv:2304.08209},
year = {2023}
}
备注
6 pages, 3 figures