听会笔记
介绍了机器人语音技术部的关键技术包括前端的信号处理,语音识别ASR,自然语言处理,以及最后的语音合成TTS
机器人的多模态交互
语音转换案例,可以通过20句话使语音合成变成目标人声音
语音合成部分
介绍了语音合成大致流程
语音合成的发展
优必选的pipeline
多音字发音和停顿的解决方法
seq2seq模型比较
tacotron:相比SPSS,节省了时长模型,语音质量好,但计算量大,训练/推理速度慢,容易丢字,漏字,句尾重音,不易控制
tacotron2:优化了丢字,漏字,计算量大,无法并行,训练/推理速度慢,
Transformer-TTS:语音质量好,结构并行,训练速度快,但推理速度慢
端到端模型方案比较
声码器比较
- WaveGAN 模型结构(GAN) 难训练,表现不稳定
- WaveRNN 模型结构 RNN , 音质好且稳定
- WaveGlow 模型结构 CNN , 有底噪,音质稳定