VALL-E R：鲁棒高效的零射文本语音合成方法：单调对齐
原文中文，约200字，阅读约需1分钟。发表于：。利用离散神经音频编解码器，我们提出了 VALL-E R，一个强大且高效的零 - shot 语音合成系统，通过引入音素单调对齐策略和编解码器合并方法，提高了音素的可控性，加快了解码速度，并取得了接近真实语音的字词错误率和超过 60% 的推理时间减少。
VALL-E 2是最新的神经编解码模型，实现了人类水平的文本到语音合成，并引入了重复感知采样和编解码编组建模。实验结果表明VALL-E 2在语音鲁棒性、自然程度和说话者相似性方面超过了之前的系统，在LibriSpeech和VCTK数据集上取得了人类水平的合成效果，具有潜在应用价值。
