准周期并行WaveGAN声码器：一种用于参数语音生成的非自回归音高相关扩张卷积模型
音频与语音处理
2020-08-10 v2 声音
摘要
本文提出一种类并行WaveGAN（PWG）的准周期（QP）架构神经声码器，以提升PWG的音高可控性。PWG是一种紧凑的非自回归（non-AR）语音生成模型，其生成速度远快于实时。将PWG用作声码器基于频谱与韵律等声学特征生成语音时，PWG可生成高保真语音。然而，当输入声学特征包含未见音高时，由于PWG无语音周期性先验知识的固定通用网络，PWG生成语音的音高准确度下降。所提QPPWG采用音高相关扩张卷积网络（PDCNN）模块，通过动态变化的网络架构将音高信息引入PWG，以提升原始PWG的音高可控性与语音建模能力。客观与主观评测结果均表明，在QPPWG模型尺寸仅为原始PWG的70%时，其生成语音具有更高音高准确度与可媲美的语音质量。
引用
@article{arxiv.2005.08654,
title = {Quasi-Periodic Parallel WaveGAN Vocoder: A Non-autoregressive Pitch-dependent Dilated Convolution Model for Parametric Speech Generation},
author = {Yi-Chiao Wu and Tomoki Hayashi and Takuma Okamoto and Hisashi Kawai and Tomoki Toda},
journal= {arXiv preprint arXiv:2005.08654},
year = {2020}
}
备注
5 page, 6 figures, 2 tables. Proc. Interspeech, 2020