电气工程与系统科学 > 音频与语音处理
[提交于 2025年8月20日
]
标题: 具有上下文感知记忆的长上下文语音合成
标题: Long-Context Speech Synthesis with Context-Aware Memory
摘要: 在长文本语音合成中,当前方法通常在句子级别将文本转换为语音,并连接结果以形成伪段落级别的语音。 这些方法忽略了段落的上下文连贯性,导致长篇语音中的自然度降低以及风格和音色的一致性问题。 为了解决这些问题,我们提出了一种基于上下文感知记忆(CAM)的长上下文文本到语音(TTS)模型。 CAM模块整合并检索长期记忆和局部上下文细节,能够在长段落中实现动态记忆更新和传递,以指导句子级别的语音合成。 此外,前缀掩码通过在保持单向生成的同时允许前缀标记的双向注意力来增强上下文学习能力。 实验结果表明,所提出的方法在段落级别语音的韵律表现力、连贯性和上下文推理成本方面优于基线和最先进的长上下文方法。
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.