作者:Chen Zhang, Xu Tan
会议:2021 icassp
单位:微软
abstract
TTS的训练数据通常是高质量的干净语音,但是有时候目标说话人只有真实场景的带噪数据,如何生成干净的TTS语音?
- 方法:(1)降噪后的语音用于训练TTS模型;(2)noisy speech和clean speech混合训练,加入一个额外的noise embedding。(infer的时候用clean speech embedding,但是使用的ref emb是句子级别的)
- 问题:上述方法不能解决真实环境的非平稳噪声。
本文提出DenoiSpeech,使用noise condition module逐帧细粒度的处理语音中的噪声,实验结果表明对于real-world的数据,本方法比上述两种方法好。
introduction
- noise extractor 从target noisy speech中提取帧级别的noise info——TTS Loss+ adversarial CTC loss确保只有noise信息保留;
- noise info 送入TTS decoder中,