计算机科学 > 声音
[提交于 2023年6月2日
]
标题: 通过建模残差多模态实现稳健的FastSpeech 2
标题: Towards Robust FastSpeech 2 by Modelling Residual Multimodality
摘要: 基于FastSpeech 2的最新非自回归文本到语音(TTS)模型可以高效地合成高质量和自然的语音。然而,对于富有表现力的语音数据集,我们观察到特征性的音频失真。我们证明,这些伪影是由于使用均方误差(MSE)损失训练频谱图解码器时,对频谱图预测进行了过度平滑,从而引入到声码器重建中的。使用MSE损失的FastSpeech 2仅能学习训练分布的条件平均值,如果在所有条件信号之后分布仍然呈现多模态,则这些平均值可能远离自然样本。为缓解此问题,我们引入了TVC-GMM,这是一种三元链高斯分布的混合模型,用于建模残余多模态性。TVC-GMM减少了频谱图的平滑度,并通过客观和主观评估显示,特别是在富有表现力的数据集上,提高了感知音频质量。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.