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
- 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 87 razy
Publikacje, które mogą cię zainteresować
Cross-Lingual Knowledge Distillation via Flow-Based Voice Conversion for Robust Polyglot Text-to-Speech
- D. Piotrowski,
- R. Korzeniowski,
- A. Falai
- + 5 autorów
Computer-assisted pronunciation training—Speech synthesis is almost all you need
- D. Korzekwa,
- J. Lorenzo-trueba,
- T. Drugman
- + 1 autorów