利用生成对抗网络从 MFCC 序列合成语音波形
音频与语音处理
2018-04-04 v1 计算与语言
声音
机器学习
摘要
本文提出了一种从 filterbank mel 频率倒谱系数（MFCC）生成语音的方法。MFCC 在语音应用（如 ASR）中被广泛使用，但通常被认为不适用于语音合成。首先，我们使用自回归循环神经网络从 MFCC 预测基频和浊音信息。其次，将 MFCC 中包含的频谱包络信息转换为全极点滤波器，并训练与这些滤波器匹配的基音同步激励模型。最后，我们引入基于生成对抗网络的噪声模型，以向建模的激励信号中添加真实的高频随机分量。结果表明，在测试时仅给定 MFCC 信息即可获得高质量的语音重建。
引用
@article{arxiv.1804.00920,
title = {Speech waveform synthesis from MFCC sequences with generative adversarial networks},
author = {Lauri Juvela and Bajibabu Bollepalli and Xin Wang and Hirokazu Kameoka and Manu Airaksinen and Junichi Yamagishi and Paavo Alku},
journal= {arXiv preprint arXiv:1804.00920},
year = {2018}
}