tts | BriefGPT - AI 论文速递

关键词tts

搜索结果 - 21

Small-E：用线性注意力实现高效语音合成的小型语言模型
最近关于文本到语音合成（TTS）的研究表明，使用语言模型驱动的 TTS 展示了卓越的能力，能够实现自然度和零样本声音克隆。本文提出使用新兴递归架构替代变压器，并引入专门的交叉关注机制以减少重复和跳跃问题。结果，我们的架构能够在长音频样本上高
PDFa month ago
鲁棒皮肤病变分析的测试时间选择
通过利用人 - 机循环方法中的正（如病变区域）和负（如图像伪影）关键点，我们提出了一种名为 TTS（测试时选择）的方法，该方法可以在不重新训练的情况下有效地使模型避免利用伪影相关的关联，并具有较少的标注需求，从而解决了皮肤病变分析模型受到图
PDFa year ago
改进上海话的文本到语音合成：通过词分割解决音调连读问题
声调是上海方言（一种吴语变体，主要在上海市区使用）韵律的一个关键组成部分。因此，对于自然流畅的语音而言，声调变化（特别是左边优势变调）是至关重要的。本研究表明，在文本预处理期间进行单词分割可以提高语音合成模型中声调变调的质量。将同一单词内的
PDFa year ago
ÌròyìnSpeech：一个多功能的约鲁巴语语音语料库
引入了 IroyinSpeech 语料库 - 这是一个受影响于希望增加高质量、免费、当代的约鲁巴语言音频的愿望的新数据集。我们发布了一个多用途数据集，可用于 TTS 和 ASR 任务，并从新闻和创意写作领域中的文本句子进行筛选，使用开放许可
PDFa year ago
EmoSpeech：引领 FastSpeech2 朝向情感文本朗读技术的方向
本文探讨了在 FastSpeech2 的基础上如何通过更改结构实现情感语音的合成，并且在自动和人体评估中，创造了 EmoSpeech 模型，该模型的 MOS 得分和情感识别准确性均超过了现有模型。
PDFa year ago
低资源语音合成中的迁移学习策略：音素映射、特征输入和源语言选择
本论文通过比较使用基于 PHOIBLE 的电话映射方法和使用语音学特征输入的迁移学习来进行低资源语言的 TTS，并且使用多种源语言和目标语言进行测试，结果表明特征输入方法可产生更好的输出质量，但这些效果也取决于具体的语言组合。同时，本论文还
PDFa year ago
VAKTA-SETU: 一种选择印度语言的语音到语音机器翻译服务
本文介绍了面向英 - 印度语、英 - 马拉缇语和印度 - 马拉缇语语言对的部署就绪的语音 - to 语音机器翻译（SSMT）系统，该系统通过级联自动语音识别（ASR）、行话校正（DC）、机器翻译（MT）和文本 - to 语音合成（TTS）模
PDFa year ago
具有语言信息的强调表达 TTS 技术
提出了一种基于 EE-TTS 的强调语音合成模型，该模型利用多层语言信息进行韵律信息的预测，并同时进行语音合成和语言信息输出，并经过实验证明其优于基线模型，并且在不同数据集上也具有较强的泛化能力。
PDFa year ago
NaturalSpeech 2: 潜在扩散模型是自然且零 - shot 的语音和歌唱合成器
本研究提出了一种利用神经音频编解码器和扩散模型生成取定潜向量的文本转语音系统，同时设计了自然语音提示机制以促进扩散模型和时域 / 频域预测器的上下文学习，能够实现不同说话人以及多样化合成的语音转换。实验表明，在零样本情况下，与之前的 TTS
PDFa year ago
使用预训练语言模型的时长感知暂停插入多说话人文本转语音
本文提出一种基于预训练语言模型的更加高效的暂停插入框架，运用双向变压器编码器表示来注入演讲者嵌入以捕捉不同演讲者的特点，并使用持续时间感知的暂停插入以获得更自然的多人演讲，测试结果表明该模型提高了合成语音的节奏性、暂停插入的精度和召回率。
PDFa year ago
朝向解缠语音表示
本研究构建了一种联合建模的声学表征学习任务，强调去耦合（disentanglement）声音信号的相关和无关部分，然后证明这些理想的、去耦合的方案具有独特的统计性质，并在训练期间强制执行这些性质，使平均 WER 相对提高了 24.5％，这提
PDF2 years ago
具有非自回归神经机器翻译功能的新型中文方言 TTS 前端
本文提出了一种新颖的中文方言 TTS 前端和翻译模块，用于把标准普通话文本转化为方言表达以提高语音合成的可懂性和自然度。这是首个将翻译与 TTS 前端相结合的工作，使用非自回归神经机器翻译模型和多种技巧，且实验结果在粤语上显示出 2.56
PDF2 years ago
AdaSpeech 2: 自适应文本转语音技术在无文字数据上的应用
本文提出了 AdaSpeech 2，这是一个自适应 TTS 系统，该系统仅利用未经转录的语音数据进行适应。通过引入 mel 频谱编码器进行语音重构，并将其输出序列约束为原始音素编码器的输出序列，然后仅微调 TTS 解码器。AdaSpeech
PDF3 years ago
LightSpeech: 基于神经架构搜索的轻量级快速语音合成
本文提出了一种名为 LightSpeech 的 TTS 模型，该模型通过利用神经架构搜索自动设计出轻量级的、高效的模型，并在不损失语音质量的情况下，将模型压缩率提高了 15 倍、推断速度提高了 6.5 倍。
PDF3 years ago
爪哇语、巽他语、巴厘语和巴达克语的跨语言机器语音链技术：语音识别和合成
本研究聚焦于印度尼西亚的爪哇语、巽他语、巴厘语和巴塔克语等土著民族语言的语音识别和合成，在跨语言机器语音链框架下仅利用文本或仅利用语音数据就可以摆脱这些民族语言成对的语音文本数据。
PDF4 years ago
LRSpeech: 极低资源语音合成与识别
本文介绍了一种名为 LRSpeech 的 TTS 和 ASR 系统，能够在极低资源的情况下支持资料匮乏的语言，并通过三个关键技术来优化模型，包括基于富资源语言的预训练和微调、TTS 和 ASR 之间的双重转换以及知识蒸馏等。实验证明 LRS
PDF4 years ago
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。
PDF4 years ago
基于 Transformer 与 RNN 的语音应用比较研究
本文章研究了一种新兴的序列到序列模型 ——Transformer，并将它与传统 RNN 模型在 15 项 ASR、1 项多语言 ASR、1 项 ST 和 2 项 TTS 基准测试中进行了比较和分析，发现了各种训练技巧以及 Transform
PDF5 years ago
零资源语音挑战赛 2019: 无 T 的 TTS
本文介绍了 2019 年零资源语音挑战赛，该赛事要求在没有文本或音标的情况下构建语音合成器，提供了一个目标语音的原始音频，但没有文本或标签。参赛者必须以无监督的方式发现子单元，并以最佳方式将其与声音记录对齐，以便从新的演讲者中综合出类似目标
PDF5 years ago
一种新的基于 GAN 的端到端 TTS 训练算法
本文提出了一种使用生成对抗网络和 Professor Forcing 概念训练的自回归模型，旨在减轻 TTS 中遭遇的曝光偏差问题，AB 测试结果表明该方法相较于传递学习得到了显著的 CMOS 0.1 的改进，语音测试集表现也有大幅度提升。
PDF5 years ago