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
- Nghiên cứu thiết kế mặt cắt ngang hầm đô thị và hầm ngoài đô thị đáp ứng điều kiện an toàn giao thông
- Quy hoạch không gian ngầm theo hướng tự chủ công nghệ
- Nghiên cứu công nghệ xử lý nước nhiễm mặn công suất nhỏ cấp cho sinh hoạt sử dụng năng lượng mặt trời
- Phân tích ảnh hưởng của liên kết ngang đến dao động của cầu dầm chịu hoạt tải xe di động
- Tổ chức và quản lý hợp đồng dự án Thiết kế - Đấu thầu - Xây dựng