MonTTS: 完全非自回归的实时、高保真蒙古语语音合成模型

分类： 计算机科学 >> 计算机科学技术其他学科 提交时间： 2021-12-20

刘瑞 康世胤 李劲东 飞龙 高光来

摘要： 针对现有基于Tacotron模型的蒙古语语音合成系统存在的两个问题：1）难以实时合成；2）合成语音保真度较低，该文基于FastSpeech2模型提出了完全非自回归的实时、高保真蒙古语语音合成模型MonTTS。为了提高MonTTS模型合成蒙古语语音的韵律自然度/保真度，根据蒙古语声学特点提出以下三点创新改进：1）使用蒙古文音素序列来表征蒙古文发音信息；2）提出音素级的声学调节器以学习长时韵律变化；3）提出基于蒙古语语音识别和自回归语音合成两种时长对齐方法。同时，该文构建了一个当前最大规模的蒙古语语音合成数据库：MonSpeech。实验结果表明MonTTS在韵律自然度方面的主观平均意见分数（Mean Opinion Score,MOS）达到4.53，显著优于当前最优的基于Tacotron的蒙古语语音合成基线系统和基线FastSpeech2模型；MonTTS合成实时率达3.63×10-3，满足实时高保真合成要求。最后，文中涉及的训练脚本和预训练模型全部开源（https://github.com/ttslr/MonTTS）。

同行评议状态:待评议

 点击量 5719  下载量 641  评论