Triple M：一种具有多引导注意力与多频带多时序 LPCNet 的实用语音合成系统
计算与语言
2021-04-08 v4 音频与语音处理
摘要
本工作提出一种鲁棒且高效的语音合成（TTS）系统 Triple M，用于大规模在线应用。Triple M 的关键组件为：1）一个序列到序列模型采用新颖的多引导注意力，将引导注意力机制的互补优势迁移至基础注意力机制，且不损失域内性能且无需修改在线服务。与单一注意力机制相比，多引导注意力不仅为长句合成带来更好的自然度，还将词错误率降低 26.8%。2）一种新的高效多频带多时序声码器框架，将计算复杂度从 2.8 GFLOP 降至 1.0 GFLOP，并在单 CPU 上将 LPCNet 加速 2.75 倍。
引用
@article{arxiv.2102.00247,
title = {Triple M: A Practical Text-to-speech Synthesis System With Multi-guidance Attention And Multi-band Multi-time LPCNet},
author = {Shilun Lin and Fenglong Xie and Li Meng and Xinhui Li and Li Lu},
journal= {arXiv preprint arXiv:2102.00247},
year = {2021}
}