PhaseAug：一种用于语音合成的可微分增强方法，以模拟一对多映射
音频与语音处理
2023-05-11 v2 人工智能
声音
信号处理
摘要
以往基于生成对抗网络（GAN）的神经声码器被训练为从成对的梅尔频谱图精确重建真实波形，而未考虑语音合成的一对多关系。这种传统训练导致判别器和生成器均出现过拟合，从而在生成的音频信号中产生周期性伪影。在这项工作中，我们提出了PhaseAug，这是首个用于语音合成的可微分增强方法，通过旋转每个频率仓的相位来模拟一对多映射。使用我们提出的方法，无需任何架构修改即可超越基线模型。代码和音频样本将在https://github.com/mindslab-ai/phaseaug上提供。
引用
@article{arxiv.2211.04610,
title = {PhaseAug: A Differentiable Augmentation for Speech Synthesis to Simulate One-to-Many Mapping},
author = {Junhyeok Lee and Seungu Han and Hyunjae Cho and Wonbin Jung},
journal= {arXiv preprint arXiv:2211.04610},
year = {2023}
}
备注
Accepted to ICASSP 2023