一、语音合成与自回归模型

一、语音合成与自回归模型

1 语音合成流程

在这里插入图片描述

  • 在上述流程中,文本由TTS前端转化为音素,随后音素序列通过声学模型转化为Mel频谱,将Mel频谱输入到声码器中,最后由声码器将其转换为语音。其中Mel频谱由时间轴(横轴)与频率轴(纵轴)两部分组成,是一个二维数据。人听到的声音本质是一段波形,是由大量采样点形成的一维数据。
  • 从Mel频谱到波形的过程中,需要声码器来完成频谱转换。目前常用的有基于信号处理的方法,如Griffin-Lim方法;也有基于神经网络的方法,如WaveNet、HiFiNet等

2 端到端语音合成

1. 自回归模型
  • Tacotron 2 (Google Brain,2017)

    • Tacotron 2中的Encoder和Decoder层均采用双向LSTM(BLSTM),其目的在于通过双向结构更好的吸收左右两个方向的信息。因为LSTM是一个自回归结构,因此需要吸收上一层的信息来生成下一层信息。

    • Tacotron 2中采用了Location Sensitive Attention作为注意力结构,能够同时考虑内容与输入元素的位置。该注意力机制中采用了累加注意力权重,令注意力权重网络了解其学到的注意力信息,从而使得模型在序列中持续运行并避免重复未预料的语音。

  • Trans

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Aaaaaki

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值