生成性表达式会话语音合成
原文中文,约200字,阅读约需1分钟。发表于: 。通过 GPT-Talker 系统和 NCSSD 数据集,本研究提出了一种新型的生成式表达 CSS 系统,相比于现有的 CSS 方法,在自然性和表达性方面显著提高了真实对话体自然语音的合成。
我们提出了一种新颖的情感对话语音合成模型(ECSS),通过引入异构图的情感上下文建模机制以提高情感理解。使用对比学习的情感渲染器模块来推断目标话语的准确情感风格,解决了数据稀缺性问题,并注释了现有对话数据集(DailyTalk)上的附加情感信息。客观和主观评价表明,我们的模型在理解和表达情感方面优于基线模型,并强调了全面的情感注释的重要性。