基于多级信息嵌入的中文语声转换模型

摘要： 现有任意到任意的语声转换方法在相似性和自然性之间难以均衡，难以适用于对语调、节奏等韵律要求较高的中文语声转换。该文面向中文语声，提出一种基于多级信息嵌入的中文语声转换模型。首先，利用基于卷积和多头注意力机制的音色编码器，从目标语声中提取音色表示；其次，利用自相关函数方法分别从目标语声和源语声中提取韵律信息，并进行归一化融合；最后，设计基于多级信息嵌入策略的生成器HiFi-GAN... （共16页）