TTS papersダウンロードTTS papersソースコードのダウンロード

TTS papers

AI ソースコード

1.0.0

ダウンロード

（変更をお気軽に提案してください）

論文

マージの音素表現とchar表現：https：//arxiv.org/pdf/1811.07240.pdf
タコトロン転送学習：https：//arxiv.org/pdf/1904.06508.pdf
注目からの音素のタイミング：https：//ieexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8683827
エンドツーエンドの音声合成のデータ効率を改善するための半学者のトレーニング-https：//arxiv.org/pdf/1808.10128.pdf
話す際のリスニング：ディープラーニングによる音声チェーン-https：//arxiv.org/pdf/1707.04879.pdf
スピーカー検証のための生成エンドツーエンド損失：https：//arxiv.org/pdf/1710.10467.pdf
ES-Tacotron2：滑らかさを減らすための事前に訓練された推定ネットワークを備えたマルチタスクタコトロン2：https：//www.mdpi.com/2078-2489/10/4/131/pdf
- あたりの滑らかさに対して
fastspeech：https：//arxiv.org/pdf/1905.09263.pdf
スピーチから歌う学習：https：//arxiv.org/pdf/1912.10128.pdf
TTS-GAN：https：//arxiv.org/pdf/1909.11646.pdf
- EN2EN TTSには、期間と言語機能を使用します。
- Wavenetパフォーマンスに近い。
Durian：https：//arxiv.org/pdf/1909.01700.pdf
- 持続時間認識タコトロン
Melnet：https：//arxiv.org/abs/1906.01083
aligntts：https：//arxiv.org/pdf/2003.01950.pdf
トリプル情報ボトルネックを介した監視されていない音声分解
- https://arxiv.org/pdf/2004.11284.pdf
- https://anonymous0818.github.io/
Flowtron：https：//arxiv.org/pdf/2005.05957.pdf
- アーキテクチャのようなタコトロン上の逆自己栄養の流れ
- ボコーダーとしての波動。
- ガウスモデルの混合物に埋め込まれた音声スタイル。
- モデルはバニラタコトロンよりも大きくてhavier的です
- MOSの値は、パブリックタコトロンの実装よりもスリーに優れています。
ガイド付きの注意を払った深い畳み込みネットワークに基づく効率的にトレーニング可能なテキストからスピーチへのシステムシステム：https：//arxiv.org/pdf/1710.08969.pdf

広大な要約

エンドツーエンドの敵対的なテキストからスピーチ：http：//arxiv.org/abs/2006.03575（クリックして展開）

End2EndフィードフォワードTTS学習。
文字アライメントは、別のアライナーモジュールで行われました。
アライナーは各文字の長さを予測します。 -Charの中心位置は、前の文字の全長であることがわかります。 -CHARポジションは、実際のオーディオの長さとガウスウィンドウWRTと補間されています。
- オーディオ出力はMU-LAWドメインで計算されます。（私はこれの理由がありません）
- Traningには2秒のオーディオウィンドウのみを使用します。
- GAN-TTSジェネレーターは、オーディオ信号を生成するために使用されます。
- RWDは、オーディオレベルの差別装置として使用されます。
- MELD：彼らは、画像の再構築として問題を取り戻すスペクトログラムレベルの識別器としてBigGan-Deepアーキテクチャを使用します。
- スペクトログラムの損失
  - 攻撃的なフィードバックのみを使用するだけでは、charアラインメントを学習するのに十分ではありません。彼らは、スペクトログラムの損失b/w予測されたスペクトログラムとグラウンドトゥルース仕様を使用します。
  - モデルはオーディオ信号を予測することに注意してください。上記のスペクトログラムは、生成されたオーディオから計算されます。
  - 動的タイムレーピングは、最小コストのアラインメントB/W生成されたスペクトログラムとグラウンドトゥルースを計算するために使用されます。
  - 最小コストのアラインメントを見つけるための動的なプログラミングアプローチが含まれます。
- アライナーの長さの損失は、実際のオーディオの長さとは異なる予測のためにアライナーを罰するために使用されます。
- マルチスピーカーデータセットでモデルをトレーニングしますが、パフォーマンスのあるスピーカーに結果を報告します。
- アブレーション研究各コンポーネントの重要性：（伸びおよびスペクトログラムロス）> rwd> meld> phonemes> multispeakerdataset。
- 私の2セント：それは、別のボコーダーモデルをトレーニングする必要がなく、エンド2エンドの音声合成を提供するフィードフォワードモデルです。ただし、非常に複雑なモデルで、多くのハイパーパラメーターと実装の詳細があります。また、最終結果は最新の芸術に近いものではありません。異なるアルゴリズムの組み合わせを調整する必要性を減らすキャラクターアラインメントを学習するための特定のアルゴリズムを見つける必要があると思います。

高速Speech2：http：//arxiv.org/abs/2006.04558（クリックして展開）

長さのレギュレータをトレーニングするために、MFAによって生成された音素期間をラベルとして使用します。
Thayは、追加機能としてフレームレベルF0およびL2 Spectrogramms（分散情報）を使用します。
分散予測モジュールは、推論時間に分散情報を予測します。
アブレーション研究結果の改善：モデル<モデル + L2_NORM <モデル + L2_NORM + F0

glow-tts：https：//arxiv.org/pdf/2005.1129.pdf（クリックして展開）

単調なアライメント検索を使用して、アライメントB/Wテキストとスペクトログラムを学習します
このアライメントは、推論で使用する期間予測因子をトレーニングするために使用されます。
エンコーダーは、各文字をガウス分布にマッピングします。
デコーダーは、正規化フロー（グローレイヤー）を使用して、各スペクトログラムフレームを潜在ベクトルにマッピングします
エンコーダーとデコーダー出力はMASと整合しています。
各反復で、最初に最も可能性の高いアライメントがMASによって見つかり、このアライメントはモードパラメーターを更新するために使用されます。
各文字のスペクトログラムフレームの数を予測するために、期間予測因子がトレーニングされます。
推論では、MASの代わりに期間予測子のみが使用されます
エンコーダには、2つの更新があるTTSトランスのアーキテクチャがあります
絶対的な位置エンコーディングの代わりに、それらはリアルな位置エンコードを使用します。
また、エンコーダプレネットに残差接続を使用します。
デコーダーには、Glowモデルと同じアーキテクチャがあります。
シングルとマルチスピーカーモデルの両方をトレーニングします。
実験的に示されていますが、Glow-TTは元のTacotron2と比較して長い文に対してより堅牢です
推論時のtacotron2よりも15倍高速
私の2セント：それらのサンプルはタコトロンほど自然ではありません。注意がマッピングされて出力を直接モデル化することを学ぶので、通常の注意モデルは依然としてより自然なスピーチを生成すると思います。ただし、Glow-TTを使用することは、ハードデータセットの良い選択肢かもしれません。
サンプル：https：//github.com/jaywalnut310/glow-tts
リポジトリ：https：//github.com/jaywalnut310/glow-tts

非自動性ニューラルのテキストからスピーチ：http：//arxiv.org/abs/1905.08459（クリックして展開）

非因果畳み込み層を使用した深い音声3モデルの派生。
自己回帰の教師モデルから複数の注意ブロックを備えたアノンアトレグレッシブな生徒を訓練するための教師と学生のパラダイム。
教師は、生徒モデルで使用されるテキスト間アラインメントを生成するために使用されます。
このモデルは、注意アラインメントとスペクトログラム生成のために2つの損失関数でトレーニングされています。
多注意ブロックは、レイヤーごとに注意アラインメントレイヤーを改良します。
学生は、クエリ、キー、値ベクトルでDOT-Productの注意を使用します。クエリは、ベクターをエンコードする陽電力です。キーと値はエンコーダ出力です。
提案されたモデルは、異なる定数値にも依存する位置エンコードに大きく結び付けられています。

ダブルデコーダーの一貫性：https：//erogol.com/solving-attention-blebmens-oftts-models-with-double-decoder-consistency（クリックして展開）

このモデルは、タコトロンのようなアーキテクチャを使用しますが、2つのデコーダーと1つのポストネットを使用しています。
DDCは、異なる削減率を使用して2つの同期デコーダーを使用します。
デコーダは異なる削減レートを使用するため、異なる粒度で出力を計算し、入力データのさまざまな側面を学習します。
このモデルは、これら2つのデコーダー間の一貫性を使用して、学習したテキストからスペクトルの調整の堅牢性を高めます。
このモデルは、ポストネットを複数回繰り返し適用することにより、最終的なデコーダー出力に改良を適用します。
DDCは、Prenetモジュールでバッチ正規化を使用し、ドロップアウトレイヤーをドロップします。
DDCは段階的なトレーニングを使用して、合計トレーニング時間を短縮します。
マルチバンドメルガンジェネレーターを使用して、元の作品とは異なる方法で、複数のランダムウィンドウ識別器で訓練されたボコーダーとして使用しています。
DDCモデルを1つのGPUで2日間でのみトレーニングすることができ、最終モデルはCPUでのリアルタイムスピーチよりも速く生成できます。デモページ：https：//erogol.github.io/ddc-samples/ code：https：//github.com/mozilla/tts

並列Tacotron2：http：//arxiv.org/abs/2103.14574（クリックして展開）

外部期間情報は必要ありません。
ソフトdtw損失により、実際の分光とグラウンドトゥルースの分光図の間のアライメントの問題を解決します。
予測される期間は、丸めの問題を解決するために、長さのレギュレータではなく、学習した変換関数によってアライメントに変換されます。
予測期間から計算された「トークン境界グリッド」の注意マップを学びます。
デコーダーは、6つの「軽量の畳み込み」ブロックに構築されています。
VAEは、入力スペクトログラムを潜在的な特徴に投影するために使用され、ネットワークへの入力としてChacellR埋め込みとマージされます。
Soft-DTWは、すべてのスペクトログラムフレームのペアワイズ差を計算するため、計算的に集中しています。彼らは、特定の対角線窓でそれを反対し、頭上を減らします。
最終的な期間目的は、持続時間損失、VAE損失、スペクトログラムの損失の合計です。
彼らは実験に独自のデータセットのみを使用しますか？
Tacotron2モデルで同じMOSを達成し、平行タコトロンよりも優れています。
デモページ：https：//google.github.io/tacotron/publications/parallel_tacotron_2/index.html
コード：これまでのところコードはありません

wavegrad2：https：//arxiv.org/pdf/2106.09660.pdf（クリックして展開）

音素シーケンスから生の波形を直接計算します。
Tacotron2のようなエンコーダーモデルを使用して、音素から隠された表現を計算します。
非触力的なタコトロンのようなソフト持続時間予測子のように、隠された表現を出力と整列させます。
予測された期間で隠された表現を拡張し、特定のウィンドウをサンプリングして波形に変換します。
彼らは、0.8および3.2秒の音声に対応する64フレームと256フレームの間のさまざまなウィンドウサイズを調査しました。彼らは、大きい方が良いことを発見しました。
デモページ：これまでのところ何もありません
コード：これまでのところコードはありません

マルチスピーカーペーパー

トレーニングマルチスピーカーニューラルテキストからスピーチシステムシステムを使用したスピーカーのバランススピーチコーパス - https：//arxiv.org/abs/1904.00771
ディープボイス2-https：//papers.nips.cc/paper/6889-deep-voice-2-multi-sepeaker-neural-text-topeech.pdf
サンプル効率的な適応TTS -https：//openreview.net/pdf?id = rkzjuoacfx
- Wavenet +スピーカー埋め込みアプローチ
音声ループ-https：//arxiv.org/abs/1707.06588
ニューラルTTSを改善するためのマルチスピーカーの潜在スペースのモデリング新しいスピーカーのクイック登録とプレミアム音声の強化-https：//arxiv.org/pdf/1812.05253.pdf
スピーカーの検証からマルチスピーカーのテキストからスピーチへの合成への転送-https：//arxiv.org/pdf/1806.04558.pdf
転写されていない短いサンプルに基づいて新しいスピーカーをフィット-https：//arxiv.org/pdf/1802.06984.pdf
スピーカー検証のための一般化エンドツーエンド損失-https：//arxiv.org/abs/1710.10467

広大な要約

個別の音声表現を使用したマルチスピーカーのテキストからスピーチ合成の半学習学習：http：//arxiv.org/abs/2005.08024

1時間のペアデータ（テキストからボイスへのアラインメント）とより対応のない（ボイドのみ）データを持つマルチスピーカーTTSモデルをトレーニングします。
各コードワードが単一の音素に対応するコードブックを学習します。
コードブックは、ペアのデータとCTCアルゴリズムを使用して音素に整合しています。
このコードブックは、プロキシのように機能し、対応のないデータの音素シーケンスを暗黙的に推定します。
彼らは、モデルの最初の部分によって生成されたコードワード埋め込みを使用して、TTSを実行するためにTACOTRON2モデルを上部に積み重ねます。
彼らは、長さ1時間のペアのデータ設定でベンチマーク方法を打ち負かしました。
完全なペアのデータ結果を報告しません。
彼らは、モデルのさまざまな部分がパフォーマンスにどのように貢献するかを見るのに興味深い良いアブレーション研究を持っていません。
彼らはgriffin-limをボコーダーとして使用するため、改善のためのスペースがあります。

デモページ：https：//ttaoretw.github.io/multispkr-semi-tts/demo.html
コード：https：//github.com/ttaoretw/semi-tts

Attentron：注意ベースの可変長さの埋め込みを悪用する少数のテキストからスピーチへの物語からスピーチへの物語への物語への物語への物語からのものまで：https：//arxiv.org/abs/2005.08484

2つのエンコーダーを使用して、スピーカーに依存している機能を学習します。
粗いエンコーダーは、提供された参照スペクトログラムに基づいて、グローバルスピーカーの埋め込みベクトルを学習します。
Fine Encoderは、注意モジュールと協力して、時間的な二量体を維持し続ける可変長さの埋め込みを学習します。
注意は、ターゲット音声を合成するために重要な参照スペクトログラムフレームを選択します。
最初に単一のスピーカーデータセットを使用してモデルを事前にトレーニングします（30kのiterのljspeech。）。
マルチスピーカーデータセットでモデルを微調整します。（70kのItersのVCTK。）
スピーカー分類モデルとVAEベースの参照オーディオエンコーダーのXベクターを使用するのと比較して、わずかに優れたメトリックを実現します。

デモページ：https：//hyperconnect.github.io/attentron/

ユニバーサルテキストに向けて：http：//www.interspeech2020.org/uploadfile/pdf/wed-3-4-3.pdf

マルチリングのTTSをシーケンスするためのシーケンスのフレームワーク
このモデルは、非常に大きく、非常に不均衡なデータセットでトレーニングされています。
このモデルは、最初のトレーニングの後、6分間の新しい言語と20秒のデータで新しいスピーカーを学習することができます。
モデルアーキテクチャは、スピーカーネットワークを備えたトランスベースのエンコーダーデコーダーネットワークと、スピーカーと言語のコンディチノンの言語ネットワークです。これらのネットワークの出力は、エンコーダー出力に連結されます。
コンディショニングネットワークは、スピーカーまたは言語IDを表す1ホットのベクトルを採取し、コンディショニング表現に投影します。
予測されたMELスペクトログラムを波形出力に変換するために、Wavenet Vocoderを使用します。
言語で共有されていない音素入力に依存する言語を使用します。
データセット内の各言語の逆周波数に基づいて各バッチをサンプリングします。したがって、各トレーニングバッチには言語を均一に分布しており、トレーニングデータセットの言語の不均衡を軽減します。
新しいスピーカー/言語を学習するために、コンディショニングネットワークでエンコーダーデコダーモデルを微調整します。 Wavenetモデルを訓練しません。
彼らは、トレーニングに50言語の1250時間の専門録音を使用しています。
彼らは、すべてのオーディオサンプルに16kHzのサンプリングレートを使用し、各クリップの最初と最後にサイレンスをトリムします。
トレーニングには4つのV100 GPUを使用しますが、モデルをトレーニングした期間は言及していません。
結果は、単一のスピーカーモデルがMOSメトリックで提案されているアプローチよりも優れていることを示しています。
また、コンディショニングネットワークを使用することは、データセット内のMOSメトリックを改善しますが、高リソース言語のパフォーマンスを損なうため、データセット内のロングテール言語にとって重要です。
新しいスピーカーを追加すると、5分以上のデータを使用するとモデルのパフォーマンスが低下することがわかります。彼らは、これらの録音は元の録音ほどきれいではないため、それらの多くを使用するとモデルの一般的なパフォーマンスに影響すると主張しています。
多言語モデルは、新しいスピーカーと言語の6分間のデータでトレーニングできますが、単一のスピーカーモデルでは3時間のトレーニングが必要であり、6分間の多言語モデルと同様のMOS値を達成することさえできません。

Adaspeech：カスタム音声のスピーチへの適応テキスト：https：//openreview.net/pdf?id=drynvt7gg4l

彼らは、ユーザーの異なる入力音響特性に適応できるシステムを提案し、これを達成するために最小数のパラメーターを使用します。
メインアーキテクチャは、ピッチと分散予測子を使用して入力音声のより細かい粒度を学習するFastSpeech2モデルに基づいています。
彼らは3つの追加のコンディショニングネットワークを使用します。
発話レベル。入力として参照音声のメルスペクトルグラムを取得します。
音素レベル。 Phonemeレベルのメルセプレクトグラムを入力として使用し、Phonemeレベルのコンディショニングベクトルを計算します。音素レベルのMELスペクトルグラムは、各音素の持続時間に平均スペクトログラムフレームを取得することにより計算されます。
音素レベル2。PhoneMeエンコーダー出力を入力として使用します。これは、スペクトログラムを表示せずに音素情報を使用するだけで、上記のネットワークとは異なります。
これらすべてのコンディショニングネットワークとバックボーンFastSpeech2は、レイヤー正規化レイヤーを使用します。
条件付き層の正規化。彼らは、新しいスピーカーのためにモデルが微調整されている場合、各レイヤー正規化レイヤーのスケールとバイアスパラメーターのみを微調整することを提案します。スケールとバイアス値を出力する各層のノルム層のスピーカーコンディショニングモジュールをトレーニングします。（トランスブロックごとに1つのスピーカーコンディショニングモジュールを使用しています。）
つまり、新しいスピーカーごとにスピーカーコンディショニングモジュールのみを保存し、モデルの残りを同じように保つときにスケールとバイアス値を推論で予測することを意味します。
実験では、Libritts Datasetのモデルをプリトレーニングトレーニングし、VCTKとljspeechで微調整します
結果は、条件付き層の正規化を使用すると、スピーカーの埋め込みおよびデコーダーネットワークのみを微調整する2つのベースラインよりも優れていることを示しています。
彼らのアブレーション研究は、モデルの最も重要な部分は「音素レベル」ネットワークに続いて条件付き層の正規化と「発話レベル」ネットワークが順序で続くことを示しています。
論文の重要なダウンサイドの1つは、文献との比較がほとんどなく、結果を客観的に評価するのが難しくなることです。

デモページ：https：//speechresearch.github.io/adaspeech/

注意

堅牢な長期式合成のための位置関連の注意メカニズム-https：//arxiv.org/pdf/1910.10288.pdf

ボコーダー

メルガン：https：//arxiv.org/pdf/1910.06711.pdf
Parallelwavegan：https：//arxiv.org/pdf/1910.11480.pdf
- マルチスケールSTFT損失
- 〜1mモデルパラメーター（非常に小さい）
- Wavernnよりもわずかに悪い
FFTNETの改善
- https://www.okamotocamera.com/slt_2018.pdff
- https://www.okamotocamera.com/slt_2018.pdf
fftnet
- https://gfx.cs.princeton.edu/pubs/jin_2018_far/clips/clips.php
- https://gfx.cs.princeton.edu/pubs/jin_2018_far/fftnet-jin2018.pdf
ノイズと周期的な入力を伴う畳み込みニューラルネットワークを使用した音声波形再構築
- 150.162.46.34:8080/icassp2019/icassp2019/pdfs/0007045.pdf
堅牢なユニバーサルボコードの達成に向けて
- https://arxiv.org/pdf/1811.06292.pdf
lpcnet
- https://arxiv.org/pdf/1810.11846.pdf
- https://arxiv.org/pdf/2001.11686.pdf
興奮
- https://arxiv.org/pdf/1811.04769v3.pdf
GELP：Melスペクトルグラムから音声合成のためのGANに興奮した線形予測
- https://arxiv.org/pdf/1904.03976v3.pdf
敵対的なネットワークを使用した高忠実度の音声合成：https：//arxiv.org/abs/1909.11646
- Gan-Tts、エンドツーエンドの音声合成
- 期間と言語機能を使用します
- 持続時間と音響の特徴は、追加のモデルによって予測されます。
- ランダムウィンドウ識別器：音声サンプル全体ではなく、ランダムウィンドウを摂取します。
- 複数のRWD。条件付きと無条件。（入力機能を条件とする）
- パンチライン：Dにはさまざまなウィンドウサイズのランダムにサンプリングされたウィンドウを使用します。
- 共有結果は、非神経音響機能の限界を示す機械的に聞こえます。
マルチバンドメルガン：https：//arxiv.org/abs/2005.05106
- 機能マッチング損失の代わりにPWGAN損失を使用します。
- より大きな受容フィールドを使用すると、モデルのパフォーマンスが大幅に向上します。
- 200kの繰り返しのジェネレーターの事前化。
- マルチバンド音声信号予測。出力は、PQMF合成フィルターを使用した4つの異なるバンド予測の合計です。
- マルチバンドモデルには1.9mのパラメーターがあります（非常に小さい）。
- メルガンよりも7倍速いと主張されています
- 中国のデータセットで：MOS 4.22
Waveglow：https：//arxiv.org/abs/1811.00002
- 非常に大きなモデル（268mパラメーター）
- 12GB GPUでは、バッチサイズ1のみを取ることができるため、トレーニングが難しいです。
- 畳み込みの使用によるリアルタイム推論。
- 反転可能な正規化フローに基づいています。（素晴らしいチュートリアルhttps://blog.evjang.com/2018/01/nf1.html）
- モデルは、最大尤度損失を伴うメルスペクトルグラムへのオーディオサンプルを学習し、顕著なマッピングを行います。
- 推論ネットワークでは逆方向に実行され、MELスペックがオーディオサンプルに変換されます。
- トレーニングは、32GB RAM、バッチサイズ24で8つのNVIDIA V100を使用して行われました（高価）
Squeezewave：https：//arxiv.org/pdf/2001.05685.pdf、code：https：//github.com/tianrengao/squeezewave
- リアルタイムよりも〜5-13x速い
- WaveGlow Redanduncies：長いオーディオサンプル、MEL-SPECS、WN関数の大きなチャネル寸法。
- 修正：入力としてのより短いオーディオサンプル（L = 2000、C = 8対L = 64、C = 256）
- L = 64はMEL-SPEC解像度と一致するため、アップサンプリングは必要ありません。
- WNモジュールで深さの分離可能な畳み込みを使用します。
- オーディオサンプルが短いため、拡張の代わりに定期的な畳み込みを使用します。
- これらのベクトルがほぼ同じであると仮定して、モジュールの出力を残差およびネットワーク出力に分割しないでください。
- トレーニングは、600kの反復でTitan RTX 24GBバッチサイズ96を使用して行われました。
- ljspeechのMos：波動グロー-4.57、squeezewave（l = 128 c = 256）-4.07およびsqeezewave（l = 64 c = 256）-3.77
- 最小のモデルには、RASPI3に1秒あたり21Kサンプルがあります。

ウェーブグラード：https：//arxiv.org/pdf/2009.00713.pdf

確率拡散とラゲンビンダイナミクスに基づいています
基本的なアイデアは、既知の分布をマップしてデータ分布をターゲットにターゲットに繰り返し学習することです。
GPUで0.2リアルタイム係数を報告しますが、CPUのパフォーマンスは共有されていません。
以下の例では、著者は、モデルが1つのGPUで2日間トレーニングした後に収束すると報告しています。
紙のMOSスコアは十分に包帯ではありませんが、WavernnやWavenetなどの既知のモデルに匹敵するパフォーマンスを示しています。

コード：https：//github.com/ivanvovk/wavegrad

インターネットから（ブログ、ビデオなど）

ビデオ

論文の議論

Tacotron 2：https：//www.youtube.com/watch?v=2iarxxm-v9w

話し合い

Xu Tan、2021、https：//youtu.be/ma8pcvmr8b0 by Xu Tanによるニューラルテキストへのフロンティアのプッシュについて話してください
Heiga Zen、2017年の生成モデルベースのテキストからスピーチの合成について話す
- ビデオ：https：//youtu.be/nsrsrytkkt8
- スライド：https：//research.google.com/pubs/pub45882.html
ISCA Odyessy 2020、Xin Wang、2020 by Isca Odyessyのニューラルパラメトリックテキストの合成に関するチュートリアル
- ビデオ：https：//youtu.be/wce7sycdzai
- スライド：http：//tonywangx.github.io/slide.html#dec-2020
ニューラルボコーダーに関するISCA音声処理コース、2022
- ニューラルボコーダーの基本コンポーネント：https：//youtu.be/m833q5i-zys
- 音声圧縮の深い生成モデル（LPCNET）：https：//youtu.be/7ksnfx3plgw
- ニューラル自己回帰、ソースフィルターおよび声門ボコーダー：https：//youtu.be/gprmxdberx0
  - スライド：http：//tonywangx.github.io/slide.html#jul-2020
話し言葉の神経デコードからの音声統合| AISC：https：//www.youtube.com/watch?v=mndtmdpmnmo
生成テキストからスピーチ合成：https：//www.youtube.com/watch?v=j4mveanking
ゲーム業界向けの音声合成：https：//www.youtube.com/watch?v=aohaye4a-2q