会议:APSIPA 2019
作者:Berrak Sisman, Haizhou Li
1. abstract
singing VC是改变歌曲中的说话人音色,需要转换原始中的文本和情感信息(通过word和tone).
创新点:GAN网络来做这件事情,是首次将GAN引入到singing VC并取得比baseline更好的结果。
2. introduction
歌唱VC输入notes(音符,包含音高&时长)和lyrics(歌词),singing voice conversion is related to both singing voice synthesis and speech voice conversion.
- 在speech VC中,prosody被认为是speaker-dependent的参数,因此需要转换
- 在singing VC中,歌唱的风格石油the sheet music(乐谱?)决定的,因此认为是speaker-independent。
本文主要做的是spectrum conversion。
深度学习在singing VC上的应用还不广泛,【30】用DBLSTM和PPGs做这个任务,缺点是依赖ASR的准确性。
本文用GAN做SVC,首次应用;比其他DL方法需要的数据量更少;可以免去其他预处理过程,合成高质量的歌声。
用平行数据,研究的是one-to-one的singing voice conversion.
3. GANS FOR SINGING VOICE CONVERSION
训练阶段
step1:WORLD提取spectral和F0
step2:DTW对source和target的特征做对齐
step3:对齐的特征用于模型训练
预测阶段
4. EXPERIMENTS
特征:
source和target的34-dMCEPs做0-1均值方差归一化,移除silence片段
F0, AP(5ms)
客观指标:MCD,SNR(信噪比)
主观指标:语音质量,语音相似度的MOS评分(都是7首歌比较)