DiffStyleTTS: Diffusion-based Hierarchical Prosody Modeling for Text-to-Speech with Diverse and Controllable Styles

要約

人間の音声は豊かで柔軟な韻律のバリエーションを示します。
合理的かつ柔軟な方法でテキストから韻律への 1 対多のマッピング問題に対処するために、条件付き拡散モジュールと改善された分類子なしのガイダンスに基づいたマルチ話者音響モデルである DiffStyleTTS を提案します。これは音声韻律を階層的にモデル化します。
特徴があり、韻律予測をガイドするためにさまざまな韻律スタイルを制御します。
実験では、私たちの方法が自然さにおいてすべてのベースラインを上回り、3 つの拡散ベースのベースラインと比較して優れた合成速度を達成することが示されています。
さらに、DiffStyleTTS は、ガイド スケールを調整することで、合成韻律のガイド強度を効果的に制御します。

要約(オリジナル)

Human speech exhibits rich and flexible prosodic variations. To address the one-to-many mapping problem from text to prosody in a reasonable and flexible manner, we propose DiffStyleTTS, a multi-speaker acoustic model based on a conditional diffusion module and an improved classifier-free guidance, which hierarchically models speech prosodic features, and controls different prosodic styles to guide prosody prediction. Experiments show that our method outperforms all baselines in naturalness and achieves superior synthesis speed compared to three diffusion-based baselines. Additionally, by adjusting the guiding scale, DiffStyleTTS effectively controls the guidance intensity of the synthetic prosody.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google