上传者: 43569398
|
上传时间: 2021-06-29 09:02:52
|
文件大小: 504KB
|
文件类型: PDF
文本到语音合成系统通常由多个阶段组成,例如文本分析前端、声学模型和音频合成模块。构建这些组件通常需要广泛的领域专业知识,并且可能包含脆弱的设计选择。在本文中,我们提出了Tacotron,一个端到端生成的文本到语音模型,直接从字符合成语音。在给定对的情况下,可以通过随机初始化完全从头开始训练模型。我们提出了几个关键技术,使sequence-to-sequence框架能够很好地执行这项具有挑战性的任务。Tacotron在美式英语上获得了3.82分的主观5级平均意见分数,在自然度方面优于生产参数系统。此外,由于Tacotron在帧级别生成语音,因此它比样本级别的自回归方法快得多。