マルチスピーカエンドツーエンド音声合成のためのプレトレーニング戦略,波形モデル選択,および音響構成【JST・京大機械翻訳】

Cooper Erica; Wang Xin; Zhao Yi; Yasuda Yusuke; Yamagishi Junichi

プレプリント

J-GLOBAL ID：202202202474709856 整理番号：22P0208272

マルチスピーカエンドツーエンド音声合成のためのプレトレーニング戦略,波形モデル選択,および音響構成【JST・京大機械翻訳】

Pretraining Strategies, Waveform Model Choice, and Acoustic Configurations for Multi-Speaker End-to-End Speech Synthesis

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (5件)： , , , ,
資料名：
発行年： 2020年11月09日プレプリントサーバーでの情報更新日： 2020年11月09日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

ゼロショットマルチ話者エンドツーエンド合成に対する最良の戦略を選択する目的で,ベースコーパスの選択を含む予訓練戦略を検討した。また,波形合成に対する神経ボコーダの選択,およびメルスペクトログラムおよび最終オーディオ出力に用いる音響構成を調べた。簡単な品質閾値を通過した発見オーディオブックデータからのマルチ話者モデルの微調整は,合成音声の無意味ターゲット話者に対する自然性と類似性を改善できることを見出した。さらに,聴取者は16kHzと24kHzのサンプリング速度の間を識別でき,WaveRNNは,より速い推論時間で,WaveNetと同等の品質の出力波形を生成することを見出した。【JST・京大機械翻訳】

, , , , , , , , , ,
, , , , , , 【Automatic Indexing@JST】

音声処理 , パターン認識

, , , , ,

前のページに戻る