text-to-speech synthesis | BriefGPT

关键词text-to-speech synthesis

搜索结果 - 34

元学习文本转语音在 7000 多种语言中的应用
通过大规模多语言预训练和元学习，我们构建了一个能够在超过 7000 种语言中生成语音的单一文本转语音合成系统，并通过客观评估和人工评价验证了该系统在多样化语言环境下的性能。通过公开发布我们的代码和模型，我们旨在为语言资源有限的社区提供支持，
PDF22 days ago
细调文本转语音扩散模型的强化学习
利用强化学习和人类反馈进行扩散模型的文本转语音合成来生成自然且高质量的语音音频。
PDFa month ago
RALL-E: 强大的编解码器语言建模与思维链刺激在文本合成中的应用
RALL-E 是一种用于文本到语音合成的鲁棒语言建模方法，通过链式思维提示和自注意力机制来增强基于大型语言模型的语音合成的稳健性。
PDF3 months ago
利用正则表达式规范化立陶宛文本
文本归一化是文本到语音合成系统的一个重要组成部分，需要识别并扩展非标准词以及应用适合立陶宛语的符号类别，基于正则表达式创建规则集并通过实验评估准确性，解释错误的原因并提供文本归一化规则发展的建议。
PDF6 months ago
薛定谔桥在文本转语音合成上胜过扩散模型
在这项研究中，我们提出了一种新的文本到语音系统，Bridge-TTS，通过将已建立的基于扩散的 TTS 方法中的嘈杂高斯先验替换为干净的确定性先验，以实现对目标的强结构信息的首次替代。
PDF7 months ago
深度学习语音合成模型在少样本、低资源、定制数据集上的迁移学习比较分析
使用深度学习的文本到语音合成 (TTS) 依赖于声音质量。现代 TTS 模型具有很高的先进性，但需要大量的数据。本研究聚焦于迁移学习，特别是对于少样本、低资源、定制化数据集。该研究通过详尽的技术分析评估了 TTS 最新模型迁移学习的能力，并
PDF9 months ago
面向风格的语音：面至声自然零样本语音合成中面部图像的改进潜在映射
通过面部图像生成声音对于开发能够使用其独特声音进行互动的虚拟人类非常重要，本文介绍了一种基于面部图像而非参考语音生成自然语音的零样本文本到语音合成模型（Face-StyleSpeech），通过结合面部编码器和韵律编码器从面部图像中分别捕捉说
PDF9 months ago
多层次上下文信息提升普通话韵律结构预测
利用多级语境信息，通过多任务学习解码器，本研究提出了一种改进语音生成自然性的方法，通过使用跨发话语之间的语言信息来预测韵律边界，从而在两个数据集上实现了更好的预测效果。
PDF10 months ago
通过自监督离散语音单元监督进行准确对齐的高质量自动配音
该研究提出了一种基于自监督离散语音单元预测的 AVO 方法，该方法提供了更直接的对齐学习监督，改善了文本 - 视频上下文和声学特征之间的不匹配，实现了卓越的唇 - 语音同步和高品质语音合成效果。
PDFa year ago
Voicebox: 多语言通用语音生成的文本引导技术大规模应用
Voicebox 是实现规模可扩展的非自回归流匹配模型，通过上下文学习可以执行音频转换、噪音去除、内容编辑以及样本生成等多项任务，且在零样本 TTS 合成方面优于 VALL-E 模型。
PDFa year ago
将自动化机器翻译应用于教育视频课程
本研究旨在探究自动化机器翻译在在线视频教育领域的能力。通过运用最先进的翻译模型和语音合成技术，将 Khan Academy 的视频自动翻译成目标语言的视频以提高视频的参与度。同时基于来回翻译建立了一个可靠的翻译置信度估计器，以有效管理翻译质
PDFa year ago
用于将大规模跨语言配音的技术管道应用于多种印度语言的讲座视频
本文描述了将英语讲座视频半自动化地翻译成 9 种印度语言，使其具有良好的口头表现，同时降低了 75% 的人工成本。
PDF2 years ago
Virtuoso: 巨量多语种语音 - 文本联合半监督学习用于文本转语音
Virtuoso 是一种大规模多语种语音 - 文本联合半监督学习框架，用于文本到语音合成，并且能够在低资源语言中综合处理多种类型的语音和文本数据集，从而可以实现在看到的语言和未看到的语言中实现比基线模型更好的自然度和可懂性。
PDF2 years ago
BERT 能否预测对比焦点？使用语言模型在神经 TTS 中预测和控制突出显示
研究了利用 Transformer 语言模型表示推断文本到语音合成（TTS）中的韵律特征，着重于个人代词的对比焦点预测，采集了一些包含对比焦点的语言数据样本，并使用微调的 BERT 模型预测量化的声学显著性特征，并研究过去的语言数据如何对该
PDF2 years ago
使用预训练的文本 - 语音模型进行自动韵律标注
本文提出了一种利用神经文本语音模型和预训练音频编码器从文本 - 音频数据自动提取韵律分界标签的方法，并表明这种方法与文本基线相比具有显着优势和可比性。同时，利用该方法训练的 TTS 系统略优于使用手动标注的系统。
PDF2 years ago
ReCAB-VAE: 基于解析散度的 Gumbel-Softmax 变分推断
本文提出了一种放松的分类分析上界（ReCAB）及其在生成模型中的应用，相对于基于随机抽样的方法，该方法具有封闭的公式解，同时提出了基于该方法的情感语音合成系统，相较于基线系统，该系统具有更好的语音质量和稳定性。
PDF2 years ago
关于印度英语发音变异相对于标准英语的研究
本文从语音识别和语音合成的角度出发，对印度英语的发音变异进行了分析和研究，提出了一种基于数据驱动的新型语音转换模型，并用基于音素错误率的性能指标进行了测试。
PDF2 years ago
无监督文本转语音合成与无监督自动语音识别
该论文提出了一种基于对齐模块输出伪文本和另一个合成模块使用伪文本进行训练和实际文本进行推断的无监督文本转语音综合系统，可以在每种语言的 10-20 小时语音中实现与监督系统相当的性能，并开展了对文本单元和声码器影响的研究。
PDF2 years ago
WaveGrad 2: 文本到语音合成的迭代改进
本论文介绍了 WaveGrad 2，这是一种非自回归的生成模型，用于语音合成。通过迭代细化过程，模型使用梯度估计语音波形的对数条件密度，从而生成音频波形。实验证明，该模型可以生成高保真音频。
PDF3 years ago
基于神经增量 ASR、MT 和 TTS 的同时语音翻译系统
本文介绍了一种新开发的神经网络语音到语音翻译系统及其评估，该系统包括三个完全增量的神经处理模块，用于自动语音识别、机器翻译和文本到语音合成，并研究了其整体延迟及模块级性能。
PDF4 years ago