2019深度进修语音合成指南（上）

它有五个重要的构成模块：

• 定位音素界线的支解模子（基于行使毗连时刻分类(CTC)丧失函数的深度神经收集）；
• 字母到音素的转换模子(字素到音素是在必然法则下发生单词发音的进程)；
• 音素一连时刻猜测模子；
• 基频猜测模子；
• 音频合成模子（一个具有更少参数的WaveNet变体）。

字母到音素模子将英笔墨符转换为音素。支解模子辨认每个音素在音频文件中开始和竣事的位置。音素一连时刻模子猜测音素序列中每个音素的一连时刻。

基频模子猜测音素是否发声。音频合成模子则综合了字母到音素转换模子、音素一连时刻模子、基频猜测模子等的输出举办音频合成。

以下是它与其他模子的比拟环境

文章链接：https://arxiv.org/abs/1705.08947

这篇文章是百度硅谷人工智能尝试室在Deep Voice上的二次迭代。他们先容了一种操作低维可实习措辞人嵌入来加强神经文本到语音的要领，这可以从单个模子发生差异的声音。

该模子与DeepVoice 1有相同的流水线，但它在音频质量上却有明显的进步。该模子可以或许从每个措辞人不到半个小时的语音数据中进修数百种奇异的声音。

（编辑：湖南网）

【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!