语音合成论文优选:音素韵律控制Prosodic Clustering for Phoneme-level Prosody Control in End-to-End Speech Synthesis

声明：平时看些文章做些笔记分享出来，文章中难免存在错误的地方，还望大家海涵。搜集一些资料，方便查阅学习：http://yqli.tech/page/speech.html。语音合成领域论文列表请访问http://yqli.tech/page/tts_paper.html，语音识别领域论文统计请访问http://yqli.tech/page/asr_paper.html。如何查找语音资料请参考文章https://mp.weixin.qq.com/s/eJcpsfs3OuhrccJ7_BvKOg）。如有转载，请注明出处。欢迎关注微信公众号：低调奋进。

Prosodic Clustering for Phoneme-level Prosody Control in End-to-End Speech Synthesis

本文为三星企业在2021.11.19更新的文章，主要对音素级别的韵律进行调控，具体的文章链接

https://arxiv.org/pdf/2111.10177.pdf

---

1 研究背景

上半年我做过语音合成韵律迁移和建模做过一次总结，相关的背景就不再做介绍，大家有兴趣可以参考文章

语音合成（speech synthesis）方向八：韵律迁移和建模（https://mp.weixin.qq.com/s/3M9-bfOrh-jHvrJMyCg1vA）。本文使用f0和duration对音素进行聚类，然后使用单独的韵律encoder和attention进行编码对齐，从而可以调控语音合成的韵律情感。

2 详细设计

本文整体思想还比较简单，整体的思路如下：1）先通过对齐工具把每帧和音素进行对齐；2）求取音素的时长和f0; 3)然后使用k-means进行聚类，本文实验把f0聚类为12类，duration聚类15类；4）然后使用如下图1所示的系统进行训练和推理，该系统整体架构为tacotron架构。该系统的输入为音素序列和音素对应的韵律序列，韵律序列即聚类分类。

3 实验

本实验训练三个系统:仅使用f0分类训练的F0 model，仅使用duration训练的Duration model和同时使用f0和duration的joint model。图1测试了三个系统随着调节f0和duration分类的系统情况，可以看出单独模型和联合模型可以控制系统韵律变化。图3展示单独调节f0和duration对MOS值的影响，图4是同时调节f0和duration对整体系统MOS的影响。图5展示了音符上进行的聚类情况。

4 总结

本文章设计了一种使用f0和duration进行聚类来进行音素级别的韵律控制​。​