May, 2020

Flowtron: 基于流的自回归生成网络用于文本转语音合成

PDF
TL;DR本文提出了一种自回归基于流的生成网络 Flowtron，用于对语音的合成，并提供了控制语音变化和风格转移的功能。Flowtron 通过最大化训练数据的可能性进行优化，学习将数据映射到一个潜在空间，可以操纵语音合成的许多方面。与现有模型进行比较得出，Flowtron 在语音质量上与最先进的 TTS 模型相匹配。
flowtrongenerative networktext-to-speech synthesisiafspeech variation
发现论文，激发创造
  • Glow-TTS：通过单调对齐搜索的生成式流进行文本转语音

    该论文提出 Glow-TTS，一种基于流的生成模型，用于并行 TTS，无需外部对齐器，并演示了其快速、多样化和可控的语音合成能力，是一种鲁棒的 TTS 模型。

    May, 2020

  • FloWaveNet：用于原始音频的生成流

    本文提出了 FloWaveNet，一种基于可逆流的生成模型，使用单阶段训练程序和单个最大似然损失函数，无需附加的辅助项，能实时高效地输出与先前两阶段并行模型相媲美的清晰音频

    Nov, 2018

  • FastSpeech: 快速、健壮、可控的文本到语音

    本研究提出了一种基于 Transformer 模型、并行生成梅尔频谱的快速语音合成模型 FastSpeech，它在语音质量、稳定性、可控性和速度方面均具备相应优点。

    May, 2019

  • Wave-Tacotron: 基于端到端的文本到语音合成的光谱图自由方法

    本研究描述了一种序列到序列的神经网络，可以直接将文本输入转化为语音波形，具备较快的语音生成速度，而且不需要使用中间特征来实现。该模型使用自回归解码器循环与标准化流相结合，对输出波形进行建模，并能够处理长期依赖关系。实验证明，所提出的模型的语音生成质量接近最新的神经网络 TTS 系统，并具有明显的加速优势。

    Nov, 2020

  • VoiceFlow：具有修正流匹配的高效文本到语音

    VoiceFlow 是一种声学模型，利用修正流匹配算法实现高质量综合音频的有限采样步骤，比扩散对应模型具有更好的合成质量。

    Sep, 2023

  • Tacotron: 面向端到端的语音合成

    该研究提出了 Tacotron，一种端到端的生成式文本转语音模型，通过多个关键技术在序列到序列的框架下进行良好性能表现，同时模型以帧为单位直接生成语音，表现自然度和速度方面优于传统的参数化系统。

    Mar, 2017

  • WaveGlow：基于流的生成网络用于语音合成

    本文提出了 WaveGlow，这是一种基于流的网络，能够从 mel - 频谱生成高质量的语音，它基于 Glow 和 WaveNet 的理解，提供了快速、高效和高质量的音频合成，无需自回归，并使用单一的成本函数进行训练。我们的 PyTorch 实现在 NVIDIA V100 GPU 上以超过 500 千赫的速率产生音频样本，并具有与最佳公开可用的 WaveNet 实现一样好的音质，所有代码都将在网上公开发布。

    Oct, 2018

  • 基于流模型语音转换实现跨语言语音合成以提高发音

    该论文介绍了一种端到端的跨语言文字转语音方法，使用基于非注意力 Tacotron 架构的模型，并通过使用条件为说话人身份的归一化流网络，实现 TTS 和语音转换（VC）的可同时进行，该方法可以在低资源情景下获得良好效果。

    Oct, 2022

  • 非自回归神经文本转语音

    本文提出 ParaNet，一种非自回归 seq2seq 模型，用于将文本转换为频谱图，并通过各种平行神经音色器进行了测试，其中包括一种基于 VAE 的方法，用于从头开始训练反自回归流（IAF）平行音色器。

    May, 2019

  • WaveFlow: 面向原始音频的紧凑流模型

    本文介绍了一种小型的 WaveFlow 产生式流，可以训练原始音频并合成高保真语音，只需几个步骤即可生成成千上万个时间步长的波形，并具有比 WaveGlow 小 15 倍的参数和 42.6 倍的音频合成速度。

    Dec, 2019