Voicy：噪声混响环境下的零样本非平行语音转换
声音
2021-06-17 v1 机器学习
音频与语音处理
摘要
语音转换（VC）是一种旨在转换源话语的非语言信息以改变说话人感知身份的技术。尽管关于 VC 的文献丰富，但大多数提出的方法是在干净语音记录上训练和评估的。然而，许多声学环境是含噪且混响的，严重限制了流行 VC 方法在此类场景中的适用性。为解决此限制，我们提出了 Voicy，一种特别为噪声语音量身定制的新 VC 框架。我们的方法受去噪自编码器框架启发，由四个编码器（说话人、内容、音素和声学-ASR）和一个解码器组成。重要的是，Voicy 能够执行非平行零样本 VC，这是任何需要在训练时未见过说话人上工作的 VC 系统的重要要求。我们使用 LibriSpeech 数据集的噪声混响版本验证了我们的方法。实验结果表明，在噪声混响环境中，Voicy 在自然度和目标说话人相似度方面优于其他被测 VC 技术。
引用
@article{arxiv.2106.08873,
title = {Voicy: Zero-Shot Non-Parallel Voice Conversion in Noisy Reverberant Environments},
author = {Alejandro Mottini and Jaime Lorenzo-Trueba and Sri Vishnu Kumar Karlapati and Thomas Drugman},
journal= {arXiv preprint arXiv:2106.08873},
year = {2021}
}
备注
Presented at the Speech Synthesis Workshops 2021 (SSW11)