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
- Tác động của nguồn vốn hỗ trợ phát triển chính thức đến lượng khí thải CO2 tại các quốc gia Châu Á : tiếp cận theo ngưỡng đô thị hóa
- Tác động của thực hiện các yếu tố ESG tới hiệu quả hoạt động của ngân hàng thương mại tại khu vực châu Á
- Kinh nghiệm phát triển nền “kinh tế bạc” của Trung Quốc trong bối cảnh già hoá dân số và bài học cho Việt Nam
- Phát triển kinh tế tư nhân ở Việt Nam : đổi mới từ nhận thức đến thực tiễn
- Ứng dụng công nghệ chuỗi khối (Blockchain) trong đổi mới sáng tạo tài chính