计算机科学 > 声音
[提交于 2025年8月23日
]
标题: RephraseTTS:基于动态长度文本的语音插入与说话人风格迁移
标题: RephraseTTS: Dynamic Length Text based Speech Insertion with Speaker Style Transfer
摘要: 我们提出了一种针对文本条件语音插入任务的方法,即在输入语音样本中插入一个语音样本,该任务基于相应的完整文本转录稿进行条件控制。该任务的一个示例用例是在对相应文本转录稿进行更正时更新语音音频。所提出的方法采用基于Transformer的非自回归方法,允许插入不同长度的语音,这些长度在推理过程中根据文本转录稿和可用部分输入的节奏动态确定。它能够保持可用语音输入的说话人声音特征、语调和其他频谱特性。我们在LibriTTS上的实验结果和用户研究表明,我们的方法优于基于现有自适应文本到语音方法的基线。我们还提供了大量定性结果,以欣赏所提方法输出的质量。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.