sane tts

理智-TT：稳定且自然的端到端多语言文本到语音

作者： Hyunjae Cho，Wonbin Jung，Junhyeok Lee，Sang Hoon Woo @mindslab Inc.

摘要：在本文中，我们介绍了Sane-TTS，这是一种稳定且自然的端到端多语言TTS模型。由于很难为给定的演讲者获得多语言语料库，因此不可避免地会使用单语言语料库进行多语言TTS模型。我们介绍了扬声器正规化损失，该损失可改善跨语性合成期间的语音自然性以及域对抗训练，该训练适用于其他多语言TTS模型。此外，通过添加扬声器正规化损失，以持续时间为零矢量嵌入的扬声器可以稳定跨语性推断。通过此替代品，我们的模型将以中等节奏的方式产生语音，而不论跨语性合成中的来源说话者。在MOS评估中，Sane-TTS在跨语义和内部合成中的自然性得分高于3.80，地面真相评分为3.99。此外，即使在跨语性的推论中，理智TTS也保持着接近地面真理的说话者相似性。音频样本可在我们的网页上找到。

培训程序	推理过程