基于非自回归模型中文语音合成系统研究与实现
王志超1
吴浩2
李栋1
刘益岑3
1.四川轻化工大学自动化与信息工程学院 自贡 6430002.四川轻化工大学自动化与信息工程学院 自贡 643000;人工智能四川省重点实验室 自贡 6430003.国网四川省电力公司电力科学研究院 成都 610000
摘要：针对传统语音合成质量差、自然度低和自回归模型训练时间较长,效率低等问题,提出了一种基于非自回归模型的中文语音合成方法.该方法相比于自回归模型训练效率拥有大幅提升,并在声码器中采用生成对抗网络,较传统语音合成方法合成音频质量有明显提升.该方法首先输入中文汉字经过前端处理转换为音素,再通过One-hot编码转换到音素嵌入层,通过位置编码确定音素序列位置信息,编码器中前馈网络负责将音素序列转换为隐藏序列,再添加可变信息适配器预测的音频特征,最后由解码器输出梅尔频谱到声码器生成音频波形.实验数据集采用专业中文女声10000句,实验结果表明主观意见得分为3.76,在合成质量方面明显优于传统参数式语音合成方法,训练时间只需要自回归模型的15％.
关键词：中文语音合成非自回归模型自注意力可变信息适配器声码器
分类号：TN912.33(通信)
论文发表日期：2023-02-20
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：7( 325-330,335 )
英文信息