Creating new voices using normalizing flows - Publikacja - MOST Wiedzy

Wyszukiwarka

Creating new voices using normalizing flows

Abstrakt

Creating realistic and natural-sounding synthetic speech remains a big challenge for voice identities unseen during training. As there is growing interest in synthesizing voices of new speakers, here we investigate the ability of normalizing flows in text-to-speech (TTS) and voice conversion (VC) modes to extrapolate from speakers observed during training to create unseen speaker identities. Firstly, we create an approach for TTS and VC, and then we comprehensively evaluate our methods and baselines in terms of intelligibility, naturalness, speaker similarity, and ability to create new voices. We use both objective and subjective metrics to benchmark our techniques on 2 evaluation tasks: zero-shot and new voice speech synthesis. The goal of the former task is to measure the precision of the conversion to an unseen voice. The goal of the latter is to measure the ability to create new voices. Extensive evaluations demonstrate that the proposed approach systematically allows to obtain state-of-the-art performance in zero-shot speech synthesis and creates various new voices, unobserved in the training set. We consider this work to be the first attempt to synthesize new voices based on mel-spectrograms and normalizing flows, along with a comprehensive analysis and comparison of the TTS and VC modes.

Cytowania

  • 8

    CrossRef

  • 0

    Web of Science

  • 1 2

    Scopus

Autorzy (8)

Cytuj jako

Pełna treść

pobierz publikację
pobrano 30 razy
Wersja publikacji
Accepted albo Published Version
DOI:
Cyfrowy identyfikator dokumentu elektronicznego (otwiera się w nowej karcie) 10.21437/Interspeech.2022-10195
Licencja
Copyright (2022 International Speech Communication Association (ISCA))

Słowa kluczowe

Informacje szczegółowe

Kategoria:
Aktywność konferencyjna
Typ:
publikacja w wydawnictwie zbiorowym recenzowanym (także w materiałach konferencyjnych)
Język:
angielski
Rok wydania:
2022
Opis bibliograficzny:
Biliński P., Merritt T., Ezzerg A., Pokora K., Cygert S., Yanagisawa K., Barra-Chicote R., Korzekwa D.: Creating new voices using normalizing flows// / : , 2022,
DOI:
Cyfrowy identyfikator dokumentu elektronicznego (otwiera się w nowej karcie) 10.21437/interspeech.2022-10195
Źródła finansowania:
  • Finansowanie z firmy Amazon
Weryfikacja:
Politechnika Gdańska

wyświetlono 84 razy

Publikacje, które mogą cię zainteresować

Meta Tagi