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
5.8 تبدیل متن به گفتار صفر شات
ما عملکرد TTS صفر شات HierSpeech++ را با سایر خطوط پایه مقایسه کردیم: 1) YourTTS، مدل پایان به پایان TTS مبتنی بر VITS، 2) HierSpeech، یک مدل TTS پایان به انتها با استفاده از VAE سلسله مراتبی، 3) VALL-EX ، یک مدل زبان کدک عصبی مبتنی بر مدل های چند زبانه TTS صفر شات و ما از یک پیاده سازی غیر رسمی استفاده می کنیم که دارای یک بهبود کیفیت صدا با رمزگشای Vocos، 4) XTTS[12] یک محصول TTS XTTS v1 از Coqui…