Cross-Lingual Knowledge Distillation via Flow-Based Voice Conversion for Robust Polyglot Text-to-Speech
Abstrakt
In this work, we introduce a framework for cross-lingual speech synthesis, which involves an upstream Voice Conversion (VC) model and a downstream Text-To-Speech (TTS) model. The proposed framework consists of 4 stages. In the first two stages, we use a VC model to convert utterances in the target locale to the voice of the target speaker. In the third stage, the converted data is combined with the linguistic features and durations from recordings in the target language, which are then used to train a single-speaker acoustic model. Finally, the last stage entails the training of a locale-independent vocoder. Our evaluations show that the proposed paradigm outperforms state-of-the-art approaches which are based on training a large multilingual TTS model. In addition, our experiments demonstrate the robustness of our approach with different model architectures, languages, speakers and amounts of data. Moreover, our solution is especially beneficial in low-resource settings.
Cytowania
-
0
CrossRef
-
0
Web of Science
-
0
Scopus
Autorzy (8)
Cytuj jako
Pełna treść
pełna treść publikacji nie jest dostępna w portalu
Słowa kluczowe
Informacje szczegółowe
- Kategoria:
- Aktywność konferencyjna
- Typ:
- materiały konferencyjne indeksowane w Web of Science
- Język:
- angielski
- Rok wydania:
- 2023
- Opis bibliograficzny:
- Piotrowski D., Korzeniowski R., Falai A., Cygert S., Pokora K., Tinchev G., Zhang Z., Yanagisawa K..: Cross-Lingual Knowledge Distillation via Flow-Based Voice Conversion for Robust Polyglot Text-to-Speech, W: , 2023, ,.
- DOI:
- Cyfrowy identyfikator dokumentu elektronicznego (otwiera się w nowej karcie) 10.1007/978-981-99-8126-7_20
- Źródła finansowania:
-
- Firma Amazon
- Weryfikacja:
- Politechnika Gdańska
wyświetlono 63 razy
Publikacje, które mogą cię zainteresować
Speaker Recognition Using Convolutional Neural Network with Minimal Training Data for Smart Home Solutions
- M. Wang,
- T. Sirlapu,
- A. Kwaśniewska
- + 3 autorów
Computer-assisted pronunciation training—Speech synthesis is almost all you need
- D. Korzekwa,
- J. Lorenzo-trueba,
- T. Drugman
- + 1 autorów