- icassp 2021
- nvidia
abstract
motivation:fastspeech2的pitch predictor预测帧级别基频,本文提出预测字级别基频;生成结果更有表现力,更符合句子级的文本含义。
- 从phn预测基频,然后conv处理成embedding送回相加。
methods
duration
- pre-trained Tacotron2得到的对齐矩阵,用于提取duration信息作为FastPitch的的target duration。
- 单人和多人数据训练的Tacotron模型对于时长的分配结果比较接近,但是可能会把longest duration分给不同的phn,但是这样的差异并不会影响FastPitch的性能。
pitch
- 提取帧级别的基频,然后按照char求平均,其中unvoice的帧求平均时删掉,然后将平均后的数据做归一化处理(mean=0, std=1)。这样的结果和logF0相差不大。
- 作者尝试将char的基频值用三个数表示,试图代表begin, middle, end的基频,但是收到了负向结果。
experiment
-
基于LJspeech做的,参数配置和fastspeech相当。
-
对基频的修改可以是平移,e.g. up/down shift 50HZ,不会改变用户音色,但是改变了合成语音的发音情况。