sane tts

理智-TT：穩定且自然的端到端多語言文本到語音

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

摘要：在本文中，我們介紹了Sane-TTS，這是一種穩定且自然的端到端多語言TTS模型。由於很難為給定的演講者獲得多語言語料庫，因此不可避免地會使用單語言語料庫進行多語言TTS模型。我們介紹了揚聲器正規化損失，該損失可改善跨語性合成期間的語音自然性以及域對抗訓練，該訓練適用於其他多語言TTS模型。此外，通過添加揚聲器正規化損失，以持續時間為零矢量嵌入的揚聲器可以穩定跨語性推斷。通過此替代品，我們的模型將以中等節奏的方式產生語音，而不論跨語性合成中的來源說話者。在MOS評估中，Sane-TTS在跨語義和內部合成中的自然性得分高於3.80，地面真相評分為3.99。此外，即使在跨語性的推論中，理智TTS也保持著接近地面真理的說話者相似性。音頻樣本可在我們的網頁上找到。

培訓程序	推理過程