使用数据增强的文本到语音的跨发言人风格转换
我们通过语音转换，利用数据增强来解决文本到语音（TTS）的跨说话人风格转换问题。我们假设有一个来自目标说话人的中性非表达性数据的语料库，以及来自不同说话人的支持性对话表达性数据。我们的目标是建立一个具有表现力的TTS系统，同时保留目标说话人的身份。拟议的方法依赖于语音转换，首先从支持表现力的说话人集合中产生高质量的数据。然后将语音转换后的数据与目标说话人的自然数据汇集在一起，用于训练单人多风格TTS系统。我们提供的证据表明，这种方法是高效、灵活和可扩展的。该方法使用一个或多个支持性的说话人以及可变数量的支持性数据进行评估。我们进一步提供证据表明，当使用多个支持性发言人时，这种方法允许对说话风格进行一定的控制。最后，我们将所提出的技术扩展到7种语言的14位发言人身上。结果表明，我们的技术在保留目标说话人身份的同时，在风格相似性方面持续改善了合成样本。
《Cross-speaker style transfer for text-to-speech using data augmentation》
论文地址:网页链接
