本文介绍了三星在interspeech 2020发表的研究，旨在实现流式语音合成，以降低与句子长度无关的延迟。通过在tacotron+lpcnet系统上改进，添加缓冲区并在满足条件时进行post-net和音频合成，实现了接近常量时间的首段音频输出，优化了人机交互体验。实验表明，这种方法在保持低延迟方面效果显著。
声明：语音合成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
High Quality Streaming Speech Synthesis with Low, Sentence-Length-Independent Latency
本文为三星在interspeech 2020发表的文章，主要是实现流式语音合成，获取更小的latency，具体文章链接https://www.isca-speech.org/archive/Interspeech_2020/pdfs/2464.pdf
（看了一下，这篇文章的思想很简单，我在上一家公司就和深度学习组的同事做了相同的实现，不过实现后就处在离职交接期，我就没关注用没用到生产线上）
1 背景
现有的语音合成系统更多关注系统合成的质量和推理速度，但很少关注系统的latency，即从输入文本到听到语音之间的时间开销。目前的系统大部分为整个句子合成之后才输出，句子越长等待的时间越长，这严重影响了人机交互的体验。为了减小latency，本文提出了流模式的合成系统，无论句子多长，都可以近乎常量时间返回首段音频。
2 设计
本文是在taotron+lpcnet系统上实现，具体的实现为图1所示。在tacotron的decoder的部分添加一个buff
最低0.47元/天 解锁文章
558
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
