多様で自然な非自己回帰的テキスト対音声のための階層的およびマルチスケール変分オートエンコーダ【JST・京大機械翻訳】

Bae Jae-Sung; Yang Jinhyeok; Bak Tae-Jun; Joo Young-Sun

プレプリント

J-GLOBAL ID：202202220660979349 整理番号：22P0328426

多様で自然な非自己回帰的テキスト対音声のための階層的およびマルチスケール変分オートエンコーダ【JST・京大機械翻訳】

Hierarchical and Multi-Scale Variational Autoencoder for Diverse and Natural Non-Autoregressive Text-to-Speech

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 (4件)： , , ,
資料名：
発行年： 2022年04月08日プレプリントサーバーでの情報更新日： 2022年08月15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)

本論文では,多様な発話スタイルを持つ自然音声を生成するために,階層的かつマルチスケール変分オートエンコーダベースの非自己回帰テキスト-音声モデル(HiMuV-TTS)を提案した。非自己回帰性TTS(NAR-TTS)モデルの最近の進歩は,合成音声の推論速度とロバスト性を著しく改善した。しかし,発話スタイルと自然性の多様性は改善する必要がある。この問題を解決するために,まず大域的スケール韻律を決定するHiMuV-TTSモデルを提案し,次に,大域スケール韻律と学習テキスト表現の条件付けにより局所スケール韻律を決定した。さらに,広告訓練技術を採用することによって,音声の品質を改善した。実験結果は,提案したHiMuV-TTSモデルが,単一スケール変分オートエンコーダを有するTTSモデルと比較して,より多様で自然な音声を生成でき,各スケールで異なる韻律情報を表現できることを検証した。【JST・京大機械翻訳】

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

音声処理

, ,

前のページに戻る