PeriodGrad：迈向基于扩散概率模型的可控基频神经声码器
音频与语音处理
2024-02-23 v1 机器学习
声音
信号处理
摘要
本文提出了一种基于去噪扩散概率模型（DDPM）的神经声码器，该模型将显式周期信号作为辅助条件信号引入。最近，基于 DDPM 的神经声码器作为能够生成高质量波形的非自回归模型而备受瞩目。基于 DDPM 的神经声码器具有使用简单时域损失进行训练的优势。在实际应用中，如歌声合成，需要神经声码器生成具有灵活基频控制的高保真语音波形。然而，传统的基于 DDPM 的神经声码器在此类条件下难以生成语音波形。我们提出的模型旨在通过引入显式周期信号来准确捕捉语音波形的周期结构。实验结果表明，与传统的基于 DDPM 的神经声码器相比，我们的模型提高了声音质量，并提供了更好的基频控制。
引用
@article{arxiv.2402.14692,
title = {PeriodGrad: Towards Pitch-Controllable Neural Vocoder Based on a Diffusion Probabilistic Model},
author = {Yukiya Hono and Kei Hashimoto and Yoshihiko Nankaku and Keiichi Tokuda},
journal= {arXiv preprint arXiv:2402.14692},
year = {2024}
}
备注
5 pages, 4 figures, To appear in ICASSP 2024. Audio samples: https://www.sp.nitech.ac.jp/~hono/demos/icassp2024/