Non-Attentive Tacotron：鲁棒且可控的神经 TTS 合成及无监督时长建模
声音
2021-05-12 v4 计算与语言
摘要
本文提出基于 Tacotron 2 文本到语音模型的 Non-Attentive Tacotron，以显式时长预测器替代注意力机制。如本文引入的、利用预训练语音识别模型进行大规模鲁棒性评测的两个指标——未对齐时长比和词删除率——所衡量，这显著提升了鲁棒性。借助高斯上采样，Non-Attentive Tacotron 在自然度上取得了 4.41 的 5 分制平均意见得分，略优于 Tacotron 2。该时长预测器在推理时支持语句级和音素级的时长控制。当训练数据中准确目标时长稀缺或不可用时，我们提出一种使用细粒度变分自编码器以半监督或无监督方式训练时长预测器的方法，其结果几乎与有监督训练一样好。
引用
@article{arxiv.2010.04301,
title = {Non-Attentive Tacotron: Robust and Controllable Neural TTS Synthesis Including Unsupervised Duration Modeling},
author = {Jonathan Shen and Ye Jia and Mike Chrzanowski and Yu Zhang and Isaac Elias and Heiga Zen and Yonghui Wu},
journal= {arXiv preprint arXiv:2010.04301},
year = {2021}
}