基于分组预测模型的个性化填充停顿生成
声音
2022-04-25 v2 音频与语音处理
摘要
本文提出一种利用分组预测模型生成个性化填充停顿（FPs）的方法。与流利文本生成相比，不流利文本生成尚未被广泛探索。为生成更拟人化的文本，我们着手于不流利文本生成。不流利现象（如填充停顿、改写和词片段）的使用因说话者而异，因此需要生成个性化填充停顿。然而，由于其位置稀疏性以及高频与低频填充停顿的使用频率差异，预测它们较为困难。此外，由于各说话者内部倾向差异较大，有时难以将填充停顿预测模型适配到每个说话者。为解决这些问题，我们提出一种基于说话者使用填充停顿的倾向进行分组、构建组依赖预测模型的方法。该方法不需要大量数据和时间来训练每个说话者模型。我们进一步引入了适用于填充停顿预测的损失函数和词嵌入模型。实验结果表明，组依赖模型比非个性化模型获得更高的填充停顿预测分数，且所引入的损失函数和词嵌入模型提升了预测性能。
引用
@article{arxiv.2203.09961,
title = {Personalized Filled-pause Generation with Group-wise Prediction Models},
author = {Yuta Matsunaga and Takaaki Saeki and Shinnosuke Takamichi and Hiroshi Saruwatari},
journal= {arXiv preprint arXiv:2203.09961},
year = {2022}
}
备注
Accepted to LREC 2022