语音合成（speech synthesis）方向八：韵律迁移和建模

声明：工作以来主要从事TTS工作，平时看些文章做些笔记。文章中难免存在错误的地方，还望大家海涵。平时搜集一些资料，方便查阅学习：TTS 论文列表 http://yqli.tech/page/tts_paper.html TTS 开源数据 http://yqli.tech/page/data.html。如转载，请标明出处。欢迎关注微信公众号：低调奋进

（本来想写完整后再发出，大家可以根据选取的文章先看个大概，等闲下来后再详细写。我接下来一个月可能碰到一些事情，更新也将会断断续续，望谅解）

此处的韵律跟前端韵律不同，前端的韵律是从语言学的角度来定义停顿时长，是表现目标，对于所有说话人都是一样。本文所讲的韵律是从声学特征学习的具体表现形式，其内容可包含情感，语速，语音质量等级等等信息，主要使合成的语音更加自然，富有情感，对于每位说话人都是不同。文章按照韵律调整的粒度分为两类：粗粒度和细粒度。粗粒度为句子级别的迁移调控，细粒度为phrase，word，phone的调控。接下来将讲解如下几篇文章：

粗粒度：

1）Towards end-to-end prosody transfer for expressive speech synthesis with tacotron (2018)

https://arxiv.org/pdf/1803.09047.pdf

2）Style tokens: Unsupervised style modeling, control and transfer in end-to-end speech synthesis (2018)

https://arxiv.org/pdf/1803.09017.pdf

细粒度：

3）ROBUST AND FINE-GRAINED PROSODY CONTROL OF END-TO-END SPEECH SYNTHESIS (2019)

ht