多任务学习框架下基于生成对抗网络的统计参数语音合成
声音
2017-07-12 v2
摘要
本文旨在基于生成对抗网络（GAN）改进统计参数语音合成（SPSS）中合成语音的性能。特别地，我们提出了一种在多任务学习（MTL）框架下结合传统声学损失函数和 GAN 判别损失的新架构。均方误差（MSE）通常用于估计深度神经网络的参数，其仅考虑原始音频与合成音频之间的数值差异。为缓解此问题，我们引入 GAN 作为第二个任务以确定输入是否为具有特定条件的自然语音。在此 MTL 框架中，MSE 优化改善了 GAN 的稳定性，同时 GAN 生成更接近自然语音分布的样本。听感测试表明，多任务架构能比传统方法生成更符合人类感知的自然语音。
引用
@article{arxiv.1707.01670,
title = {Statistical Parametric Speech Synthesis Using Generative Adversarial Networks Under A Multi-task Learning Framework},
author = {Shan Yang and Lei Xie and Xiao Chen and Xiaoyan Lou and Xuan Zhu and Dongyan Huang and Haizhou Li},
journal= {arXiv preprint arXiv:1707.01670},
year = {2017}
}
备注
Submitted to Automatic Speech Recognition and Understanding (ASRU) 2017 Workshop