Logga in
insikt - 音声合成
連続テキストストリームからのゼロショット音声合成
連続テキストストリームからの即時音声合成を可能にする、ストリーミング対応のゼロショット音声合成モデルを提案する。
声質クローニングを微細な感情制御で強化する「EmoKnob」
本フレームワークは、わずかなサンプルで任意の感情を音声に埋め込むことができる。これにより、テキストの感情のみに依存せずに、多様で微細な感情を音声合成に組み込むことが可能となる。
多レベルVAEと敵対的学習を用いたテキスト・トゥ・スピーチにおけるアクセント変換
本研究では、多レベルVAEと敵対的学習を組み合わせたモデルを提案し、テキスト・トゥ・スピーチにおけるアクセント変換の性能を向上させる。
声質変換を用いた話者間スタイル転移のための合成データの活用
声質変換モデルで生成した合成データを活用することで、話者間スタイル転移タスクにおける自然性と話者類似度を向上させることができる。
フルーツシェル仏語音声合成システムのBlizzard 2023チャレンジにおける取り組み
Blizzard 2023チャレンジの2つのタスクに対して、データクリーニング、多話者モデル、ランダム継続時間予測器、HiFiGANボコーダーなどの手法を用いて、高品質な仏語音声合成システムを開発した。
言語モデルベースのテキスト・トゥ・スピーチにおける感情次元制御: 人間の感情の広範囲にわたる表現
感情次元(快楽、覚醒、支配)を制御することで、感情音声合成の多様性を実現し、感情音声合成の性能を向上させる。
高速化と高品質を両立する音声拡散モデルのウェーブレットドメイン処理
ウェーブレット変換を用いることで、音声拡散モデルの学習と推論の速度を倍増させつつ、同等以上の性能を維持できる。
非剛体テキストプロンプトを用いたオーディオ編集
潜在ディフュージョンモデルを用いて、入力オーディオに忠実な非剛体テキストプロンプトによるオーディオ編集を実現する。
高品質な歌声合成のための零距離スタイル転移と多階層スタイル制御
本研究では、オーディオやテキストプロンプトから未知のタイムブルとスタイル(歌唱手法、感情、リズム、テクニック、発音など)を持つ高品質な歌声を生成することを目的としている。
顔の表情と感情の強さを組み合わせた感情表現豊かなTTS:適応的な音声合成
FEIM-TTSは、顔の画像と感情の強さを活用して、感情表現豊かな音声を合成する革新的なゼロショットTTSモデルである。
Produkter | Resurser
© 2024 by Linnk AI