OverFlow：在神经转导器之上叠加流以提升TTS性能
音频与语音处理
2023-09-15 v2 人机交互
机器学习
声音
摘要
神经HMM是一类近期提出的用于文本到语音中序列到序列建模的神经转导器。它们结合了经典统计语音合成与现代神经TTS的最佳特性，需要更少数据与更少训练更新，且更不易因神经注意力失败而产生乱码输出。本文中，我们将神经HMM TTS与归一化流相结合以描述语音声学高度非高斯的分布。结果是一个强大的、完全概率化的时长与声学模型，可使用精确最大似然进行训练。实验表明，基于我们提案的系统比可比方法需要更少更新即可产生准确发音与接近自然语音的主观语音质量。请见 https://shivammehta25.github.io/OverFlow/ 获取音频示例与代码。
引用
@article{arxiv.2211.06892,
title = {OverFlow: Putting flows on top of neural transducers for better TTS},
author = {Shivam Mehta and Ambika Kirkland and Harm Lameris and Jonas Beskow and Éva Székely and Gustav Eje Henter},
journal= {arXiv preprint arXiv:2211.06892},
year = {2023}
}
备注
5 pages, 2 figures. Accepted for publication at Interspeech 2023