电气工程与系统科学 > 音频与语音处理
[提交于 2025年8月31日
]
标题: 基于音素级预训练语言模型的说话人条件短语断点预测用于文本到语音
标题: Speaker-Conditioned Phrase Break Prediction for Text-to-Speech with Phoneme-Level Pre-trained Language Model
摘要: 本文推进了多说话人文本到语音(TTS)系统中的短语断裂预测(也称为分句)。我们通过利用说话人嵌入来整合说话人特定特征,以提高分句模型的性能。我们进一步证明,这些说话人嵌入仅从分句任务中就能捕捉到与说话人相关的特征。此外,我们通过少量样本适应方法探索了预训练说话人嵌入在未见说话人上的潜力。此外,我们开创性地将音素级预训练语言模型应用于这一TTS前端任务,显著提高了分句模型的准确性。我们的方法通过客观和主观评估进行了严格评估,证明了其有效性。
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.