ADAPT-TTS: high-quality zero-shot multi-speaker text-to-speech adaptive-based for Vietnamese
Tác giả: Phuong Pham Ngoc, Chung Tran Quang, Mai Luong Chi
Số trang:
P. 159-173
Số phát hành:
Tập 39 - Số 2
Kiểu tài liệu:
Tạp chí trong nước
Nơi lưu trữ:
03 Quang Trung
Mã phân loại:
621
Ngôn ngữ:
English
Từ khóa:
Zero-shot TTS, multi-speaker, text-to-speech, diffusion models, mel-spectrogram denoiser, Extracting Mel-vector, EMV, Adapt-TTS
Chủ đề:
Engineering
Tóm tắt:
In this paper introduce the Adapt-TTS model that allows high-quality audio synthesis from a small adaptive sample without training to solve these problems. Key recommendations: 1. The Extracting Mel-vector (EMV) architecture allows for a better representation of speaker characteristics and speech style; 2. An improved zero-shot model with a denoising diffusion model (Mel-spectrogram denoiser) component allows for new voice synthesis without training with better quality (less noise).
Tạp chí liên quan
- Ảnh hưởng của thành phần chất nền, nồng độ tạp và công nghệ chế tạo lên tính chất nhiệt phát quang của liều kế thủy tinh Li2B4O7:Tm
- Ảnh hưởng của tỉ lệ Na/Al đến tính chất quang của ion Eu3+ trong thủy tinh x.Na2O-(25-x).Al2O3-75SiO2-0.5Eu2O3
- Đường cong nóng chảy của kim loại crôm ở áp suất cao
- Trạng thái ngưng tụ exciton mất cân bằng khối lượng trong bán kim loại/ bán dẫn
- Đặc điểm hình thái, giải phẫu và định lượng axít corosolic trong lá Bằng lăng ổi (Lagerstroemia calyculata Kurz) tại vùng Đông Nam Bộ, Việt Nam