基于特征映射模型的情感语音合成方法

罗杰,杨鉴

Emotional speech synthesis approach via feature mapping model

Jie LUO,Jian YANG

表 1 不同语音合成模型的主客观评测结果

Tab.1 Subjective and objective evaluation results of different speech synthesis models

模型 说话人数量 MOS↑ SMOS↑ EMOS↑ RTF↓ WER↓/% ECA↑/% EECS↑/% 真实音频 — 4.51 — 4.44 — 7.52 91.6 — VITS 单个说话人 4.02 4.17 3.92 0.061 8 19.55 80.0 98.30 VITS2 4.07 4.28 4.05 0.060 1 19.89 77.3 99.18 AR_VITS 4.11 4.26 4.15 0.119 6 17.77 82.0 99.33 FM_VITS 4.18 4.26 4.11 0.064 9 15.20 82.3 99.52 VITS 多个说话人 4.05 4.22 3.93 0.062 2 16.54 75.6 98.14 VITS2 4.16 4.36 3.98 0.060 6 16.88 72.0 99.14 AR_VITS 4.14 4.28 4.12 0.117 9 18.80 77.7 99.27 FM_VITS 4.29 4.32 4.07 0.060 4 10.52 78.9 99.33