e3 vits

e3-vits

github页面可用样本！！！

标题： E3-Vits：具有跨语言风格转移的情感端到端TT（纸链接）

摘要：由于以前的情绪TTS模型基于两阶段的管道或其他标签，因此它们的训练过程很复杂，需要高标签成本。为了解决这个问题，本文介绍了E3-Vits，这是一种端到端的情感TTS模型，可解决现有模型的局限性。 E3-Vits综合了多演讲者条件的高质量演讲，支持参考语音和基于文本描述的情感语音综合，并通过脱节数据集启用跨语言的情感转移。为了实施E3-VIT，我们提出了批处理样式的扰动，该样式的扰动生成了具有不成对情绪的音频样本，以提高跨语言的情感转移的质量。结果表明，E3-Vits在自然性，说话者和情感相似性和推理速度方面优于基线模型。