要約
最近の表現力豊かなテキスト読み上げ (TTS) モデルは、感情的なスピーチの合成に焦点を当てていますが、イントネーションなどの細かいスタイルは無視されています。
この論文では、イントネーションをより適切に伝達および制御して、参照音声から感情を伝達しながら話者の質問意図をさらに伝達することを目的としたQI-TTSを提案します。
2 つの異なるレベルからスタイル埋め込みを抽出するマルチ スタイル エクストラクタを提案します。
文のレベルは感情を表しますが、最後の音節のレベルはイントネーションを表します。
きめ細かいイントネーション制御のために、音節レベルでのイントネーションの強さを表す相対属性を使用します。実験により、感情的な音声合成におけるイントネーションの表現力を改善するための QI-TTS の有効性が検証されました。
要約(オリジナル)
Recent expressive text to speech (TTS) models focus on synthesizing emotional speech, but some fine-grained styles such as intonation are neglected. In this paper, we propose QI-TTS which aims to better transfer and control intonation to further deliver the speaker’s questioning intention while transferring emotion from reference speech. We propose a multi-style extractor to extract style embedding from two different levels. While the sentence level represents emotion, the final syllable level represents intonation. For fine-grained intonation control, we use relative attributes to represent intonation intensity at the syllable level.Experiments have validated the effectiveness of QI-TTS for improving intonation expressiveness in emotional speech synthesis.
arxiv情報
| 著者 | Haobin Tang,Xulong Zhang,Jianzong Wang,Ning Cheng,Jing Xiao |
| 発行日 | 2023-03-14 07:53:19+00:00 |
| arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google