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
5.6 تبدیل صدای صفر شات
ما عملکرد انتقال سبک صدا HierSpeech++ را با سایر مدل های پایه مقایسه کردیم: 1) AutoVC [66]، که یک مدل VC غیر خودرگرسیون مبتنی بر رمزگذار خودکار است که از یک گلوگاه اطلاعاتی برای تفکیک محتوا و سبک استفاده می کند، 2) VoiceMixer [46]، که یک مدل VC موازی مبتنی بر GAN با استفاده از گلوگاه اطلاعات مبتنی بر شباهت است، 3- 5) مدل های مبتنی بر انتشار (DiffVC) [64]، Diff-HierVC [11]و DDDM-VC [10])،…