qq_49368998的博客

原创 VITS论文阅读

文本转语音（TTS）系统通过几个组件从给定文本合成原始语音波形。随着深度神经网络的快速发展，除了文本预处理（如文本规范化和音素化）之外，TTS系统管道已简化为两阶段生成建模。第一阶段是从预处理文本生成中间语音表示，如梅尔频谱图或语言特征，第二阶段是在中间表示条件下生成原始波形。这两个两阶段管道中的模型是独立开发的。基于神经网络的自回归TTS系统显示出合成逼真语音的能力，但其顺序生成过程使得难以充分利用现代并行处理器。为克服这一局限性并提高合成速度，提出了几种非自回归方法。