2019深度进修语音合成指南（上）
|
副问题[/!--empirenews.page--]
人工天生的人类语音被称为语音合成。这种基于呆板进修的技能合用于文本到语音转换、音乐天生、语音天生、启用语音的装备、导航体系以及视障人士的可会见性。 在本文中，我们将研究行使深度进修编写和开拓的研究和模子系统布局。 但在我们开始之前，有几个详细的，传统的语音合成计策，我们必要扼要概述:毗连和参数。 在串联要领中，行使来自大型数据库的语音天生新的、可听的语音。在必要差异气魄威风凛凛的语音的环境下，将行使一个新的音频声音数据库。这限定了这种要领的可伸缩性。 参数化要领行使录制的人声和具有一组参数的函数，可以修改这些参数来变动声音。 这两种要领代表了旧的语音合成要领。此刻让我们看看行使深度进修的新要领。下面是我们将先容的研究，目标是研究当前风行的语音合成要领:
文章链接: https://arxiv.org/abs/1609.03499 这篇文章的作者来自谷歌。他们提出了一种能发生原始音频波的神经收集。他们的模子是完全概率的和自回归的，在英语和汉语的text-to-speech上都取得了最先辈的功效。
WaveNET是基于PixelCNN的音频天生模子，它可以或许发生相同于人类发出的声音。
在这个天生模子中，每个音频样本都以先前的音频样本为前提。前提概率用一组卷积层来建模。这个收集没有池化层，模子的输出与输入具有沟通的时刻维数。
在模子架构中行使姑且卷积可以确保模子不会违背数据建模的次序。在该模子中，每个猜测语音样本被反馈到收集上用来辅佐猜测下一个语音样本。因为姑且卷积没有周期性毗连，因此它们比RNN实习地更快。 行使姑且卷积的首要挑衅之一是，它们必要许多层来增进感觉野。为了办理这一困难，作者行使了加宽的卷积。加宽的卷积使只有几层的收集能有更大的感觉野。模子行使了Softmax漫衍对各个音频样本的前提漫衍建模。
这个模子在多人景象的语音天生、文本到语音的转换、音乐音频建模等方面举办了评估。测试中行使的是均匀意见评分(MOS)，，MOS可以评测声音的质量，本质上就是一小我私人对声音质量的评价一样。它有1到5之间的数字，个中5暗示质量最好。
下图表现了1-5级waveNet的语音质量
文章链接：https://arxiv.org/abs/1703.10135 这篇文章的作者来自谷歌。Tacotron是一种端到端的天生性文本转化语音的模子，可直接从文本和音频对合形成语音。Tacotron在美式英语上得到3.82分的均匀得分。Tacotron是在帧级天生语音，因此比样本级自回归的要领更快。 这个模子是在音频和文本对长举办的实习，因此它可以很是利便地应用到新的数据集上。Tacotron是一个seq2seq模子，该模子包罗一个编码器、一个基于留意力的解码器以及一个后端处理赏罚收集（post-processing net）。如下框架图所示，该模子输入字符，输出原始谱图。然后把这个谱图转换成波形图。
下图表现了CBHG模块的布局。它由1-D卷积滤波器，highway networks和双向GRU（Gated Recurrent Unit）构成。
将字符序列输入编码器，编码器将提取出文本的次序暗示。每个字符被暗示为一个独热向量嵌入到持续向量中。然后插手非线性调动，再然后加上一个dropout，以镌汰太过拟合。这在本质上镌汰了单词的发音错误。 模子所用的解码器是基于内容留意力的tanh解码器。然后行使Griffin-Lim算法天生波形图。该模子行使的超参数如下所示。
下图表现了与其他更换方案对比，Tacotron的机能上风。
文章链接：https://arxiv.org/abs/1702.07825 这篇文章的作者来自百度硅谷人工智能尝试室。Deep Voice是一个操作深度神经收集开拓的文本到语音的体系. （编辑：河北网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
