Visatronic：一种用于语音合成的多模态解码器模型
💡
原文英文，约400词，阅读约需2分钟。
📝
内容提要
本文提出了一项新任务——从视频和转录文本生成语音（VTTS），旨在推动多模态语音生成技术的发展。我们介绍了Visatronic解码器模型，该模型将视觉、文本和语音嵌入统一的变换器中，通过自回归损失进行学习，简化了传统方法的复杂性，并在多模态语音生成中表现优越。相关代码和数据集将发布以促进进一步研究。
🎯
关键要点
- 提出了一项新任务——从视频和转录文本生成语音（VTTS），旨在推动多模态语音生成技术的发展。
- VTTS任务比从剪辑的嘴唇视频生成语音的任务更复杂，也比从视频和文本生成通用音频片段的任务更具挑战性。
- 多语言版本的VTTS任务可能会促进跨语言配音的新技术。
- 介绍了Visatronic解码器模型，该模型将视觉、文本和语音嵌入统一的变换器中。
- Visatronic模型通过自回归损失学习生成离散的梅尔谱图，条件是说话者的视频和他们的转录文本。
- 该模型在多模态语音生成中表现优越，简化了传统方法的复杂性。
- Visatronic模型灵活，能够适应不同的输入顺序，探索不同策略以更好地传播信息。
- 将发布相关代码、VoxCeleb2数据集的干净转录和标准化的VTTS评估协议，以促进进一步研究。
➡️
