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 آزمایش و نتیجه
5.1 مجموعه داده
ما از مجموعه داده LibriTTS استفاده کردیم [90] برای آموزش سینت سایزر گفتار سلسله مراتبی. ابتدا، ما مدل را با زیر مجموعههای trainclean LibriTTS (train-clean-100 و train-clean-360) برای مقایسه منصفانه آموزش دادیم. علاوه بر این، ما از زیر مجموعههای trainother-500 LibriTTS برای انتقال بهتر سبک صدا استفاده کردیم. علاوه بر این، برای بهبود استحکام و تنوع، همانطور که در جدول نشان داده شده است، مجموعه داده را به 1 کیلو متر افزایش دادیم.