PnG BERT：基于音素与字素增强的 BERT 用于神经 TTS
计算与语言
2021-06-08 v3 声音
音频与语音处理
摘要
本文介绍 PnG BERT，一种用于神经 TTS 的新编码器模型。该模型由原始 BERT 模型增强而来，以文本的音素与字素表示以及它们之间的词级对齐作为input。它可以在大型文本语料库上以自监督方式预训练，并在 TTS 任务中微调。实验结果表明，使用预训练 PnG BERT 作为编码器的神经 TTS 模型比仅使用音素输入且无预训练的基线模型产生更自然的韵律与更准确的发音。主观并排偏好评估显示，评分者对使用 PnG BERT 合成的语音与专业说话人的真实录音之间无统计显著的偏好。
引用
@article{arxiv.2103.15060,
title = {PnG BERT: Augmented BERT on Phonemes and Graphemes for Neural TTS},
author = {Ye Jia and Heiga Zen and Jonathan Shen and Yu Zhang and Yonghui Wu},
journal= {arXiv preprint arXiv:2103.15060},
year = {2021}
}
备注
Accepted to Interspeech 2021