采用ConvNeXt解码器和基频预测的低资源语音合成

王猛,杨鉴

Low resource speech synthesis using ConvNeXt decoder and fundamental frequency prediction

Meng WANG,Jian YANG

表 1 不同语音合成模型在3种语言数据集中的性能测评结果

Tab.1 Performance evaluation results of different speech synthesis models in three language datasets

语言类型 模型 MOS(↑) MCD(↓) RMSE(↓) PESQ(↑) 缅甸语 真实音频 4.46 — 0.00 4.50 FastSpeech2 3.09 9.48 0.31 2.45 Glow-TTS 3.04 9.25 0.25 2.50 VITS 3.10 9.34 0.30 2.52 改进模型 3.44 7.99 0.21 2.84 越南语 真实音频 4.79 — 0.00 4.50 FastSpeech2 3.31 6.07 0.29 2.62 Glow-TTS 3.15 5.81 0.26 2.71 VITS 3.19 5.29 0.28 2.69 改进模型 4.45 4.96 0.22 2.87 泰语 真实音频 4.65 — 0.00 4.50 FastSpeech2 3.07 5.78 0.24 2.56 Glow-TTS 3.21 5.24 0.21 2.62 VITS 3.01 5.66 0.23 2.60 改进模型 4.10 4.66 0.17 2.89