用于 Blizzard Challenge 2020 的 NTU-AISG 语音合成系统
音频与语音处理
2020-10-23 v1 声音
摘要
我们在本文中报告了用于 Blizzard Challenge 2020 的 NTU-AISG 语音合成（TTS）参赛系统。今年的挑战赛包含两个 TTS 任务，一个是普通话 TTS 任务，另一个是上海方言 TTS 任务。我们参与了两项任务。主要挑战之一是在低资源约束下构建 TTS 系统，特别是对于上海方言，参与者可获得约三小时的数据。为克服该约束，我们采用了平均说话人建模方法。即，我们首先利用外部普通话数据训练端到端声学模型和 WaveNet 声码器，然后分别使用上海方言对声学模型和 WaveNet 声码器进行微调。除此之外，尽管训练数据提供了音节转写，我们并没有上海方言词典。由于在训练阶段不确定评估数据是否提供类似的音节转写，我们使用普通话词典替代上海方言词典。以从相应普通话音节分解出的字母作为输入，尽管合成语音的自然度和原说话人相似度良好，主观评价结果表明上海方言 TTS 系统的合成语音可懂度受到严重损害。
引用
@article{arxiv.2010.11489,
title = {The NTU-AISG Text-to-speech System for Blizzard Challenge 2020},
author = {Haobo Zhang and Tingzhi Mao and Haihua Xu and Hao Huang},
journal= {arXiv preprint arXiv:2010.11489},
year = {2020}
}
备注
5 pages, Technical Report