جدول پیوندها
چکیده و 1 مقدمه
2 کارهای مرتبط
2.1 مدل های زبان کدک عصبی و 2.2 مدل های غیر خودرگرسیون
2.3 مدل های انتشار و 2.4 شبیه سازی صدای صفر شات
3 Hierspeech++ و 3.1 Speech Representations
3.2 سینت سایزر گفتار سلسله مراتبی
3.3 متن به Vec
3.4 وضوح فوق العاده گفتار
3.5 معماری مدل
4 وظیفه سنتز گفتار
4.1 تبدیل صدا و 4.2 تبدیل متن به گفتار
4.3 Style Prompt Replication
5 آزمایش و نتیجه و مجموعه داده
5.2 پیش پردازش و 5.3 آموزش
5.4 معیارهای ارزیابی
5.5 مطالعه فرسایش
5.6 تبدیل صدای صفر شات
5.7 سنتز گفتار با تنوع بالا اما با وفاداری بالا
5.8 تبدیل متن به گفتار صفر شات
5.9 تبدیل متن به گفتار صفر شات با اعلان 1 ثانیه
5.10 گفتار با وضوح فوق العاده
5.11 آزمایش های اضافی با سایر خطوط پایه
6 محدودیت و رفع سریع
7 نتیجه گیری، تصدیق و مراجع
5.5 مطالعه فرسایش
قبل از اینکه مدل را با سایر خطوط پایه در وظایف TTS و VC مقایسه کنیم، مطالعات فرسایشی را با مقایسه بازسازی انجام دادیم.[10]، سنتز مجدد [11]و عملکرد VC برای تأیید اثربخشی هر مؤلفه در HierSpeech++. اولاً، اگرچه مدلهای قبلی E2E تولید صوتی با شکل موج با کیفیت بالا را نشان دادهاند، عملکرد سنتز گفتار شات صفر به طور قابلتوجهی پایین بود، و برخی از مطالعات باید تنظیم دقیق یا استفاده از…