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
Improving multi-speaker TTS prosody variance with a residual encoder and normalizing flows
本文为Alexa AI在2021.06.10更新的文章,主要优化multi-speaker模型的韵律问题,具体文章链接https://arxiv.org/pdf/2106.05762.pdf
(最近我学习ASR,所以文章更新就少了。另外文章解读没必要按原文逐句翻译,我们只要看该文章的主要贡献点即可,省却大家的时间)
1 背景
TTS的多人模型常常造成特征被average,因此合成的语音缺少每个speaker具备的说话韵律特征。目前的系统常常添加reference encoder,但该方法存在speaker-leakage问题。本文基于以上的问题,优化了韵律模块,从而使系统合成的语音韵律更丰富。
2 详细设计
本文的系统如下,上边为baseline系统,下边为本文提出的系统。相比于baseline主要修改speaker 和reference部分。首先speaker 部分使用normalizing flow把数据建模成单高斯分布,(最近我读了几年许多文章,这些文章都采用高斯分布对speaker信息建模,该方案好处是所有的speaker距离不是太大,尤其对unseen speaker而言)。 其次使用residual encoder代替reference encoder对韵律进行建模,从而解决了speaker-leakage问题