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
5.4 معیارهای ارزیابی
برای کارهای بازسازی و سنتز مجدد، ما هفت معیار هدف را انجام دادیم: فاصله خطای Mel در مقیاس ورود به سیستم (Mel)، ارزیابی ادراکی کیفیت گفتار (PESQ)[5] ، زیر و بم، تناوب (دوره.)، صدا/بدون صدا (V/UV) امتیاز F1، و سازگاری F0 logscale F0c. ما از اجرای رسمی CARGAN استفاده کردیم [60] برای گام، تناوب، و U/UV F1[6] . برای F0c، فاصله L1 بین مقیاس log را محاسبه کردیم…