神经文本转语音的自蒸馏发音和重音控制

读取原始文本的文本转语音没有词典：罕见的单词会被猜测出来。补救措施是根据录制的语音训练阅读和口音通道，或者一次编辑一个示例中的单词。我们两者都不做。冻结的主干阅读一个包含它已经正确说出的常用单词的句子，然后它自己的输出充当同一个句子的老师，并用带标签的重音阅读替换该单词；这对训练就是整个想法。在 Sarashina2.2-TTS 上，Fleiss kappa = 0.85 的筛选评分者听到 0.89 未见过的单词的指定重音，而 0.57 的假名则无法表达；假名没有赢得任何对；自然性并没有受到明显的伤害。未调整到自回归、扩散和编码器-解码器主干，它传输阅读，0.25 到 0.47 以上，对 319 个单词没有编辑，并且在 CosyVoice 2 上重音在三个单词中的两个单词上，但在 Irodori 上则不然；本文找出了原因。