浙江大学和亚洲微软合作的DenoiSpeech论文提出了一种针对少量带噪数据的高质量语音合成方法。通过帧级噪声建模，该系统能在不损害语音信号的情况下，有效利用噪声数据进行合成。实验表明，DenoiSpeech在去除噪声方面优于现有方案，适用于数据量有限的个性化定制场景。
声明：语音合成（TTS)论文优选系列主要分享论文，分享论文不做直接翻译，所写的内容主要是我对论文内容的概括和个人看法。如有转载，请标注来源。
欢迎关注微信公众号：低调奋进
DenoiSpeech: Denoising Text to Speech with Frame-Level Noise Modeling
本篇文章是浙江大学，亚洲微软在2020.12.18更新的文章，主要做少数据量带噪数据进行高质量合成的研究，本文主要思想是对帧级别的噪声进行学习，学习粒度更小，结果更好，具体的文章链接
https://arxiv.org/pdf/2012.09547.pdf （这种的研究最主要的应用还是20多句话的个性化定制）
1 背景
虽然现在的语音合成系统可以合成高质量的音频，但对训练的数据质量有极高的要求和较高的成本，因此使用大量的带噪数据进行语音合成引起产业界和工业界的关注，尤其是手机录制20句话的个性化定制。目前，对于带噪数据的训练主要包含两种方案：1）使用去噪算法进行去噪，这种方法也会造成语音信号的损伤；2）添加noise embedding来标注noise类型，但该种方法是句子级别。本文提出了帧级别的noise标注，使用带噪数据能够获取较干净的语音合成。
2 详细设计
本文提出的系统为DenoiSpeech，如图1的（a)所示。首先，音素先输入到phoneme encoder中，然后输入到length
最低0.47元/天 解锁文章
9793
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
