文章目录
- [Learning to Speak Fluently in a Foreign Language:Multilingual Speech Synthesis and Cross-Language Voice Cloning](https://arxiv.org/abs/1907.04448)[2019interspeech][google]
- [Improving Cross-lingual Speech Synthesis with Triplet Training Scheme](https://arxiv.org/abs/2202.10729)[2022icassp][喜马拉雅]
Learning to Speak Fluently in a Foreign Language:Multilingual Speech Synthesis and Cross-Language Voice Cloning[2019interspeech][google]
-
motivation：单语种多语言发音问题
-
核心思想：
- 单个语言增加说话人数目，改善比较明显；
- phn input比utf-8 encoding鲁棒性更强，性能接近；明显优于char encoding；
- text encoder增加对抗训练，对音色相似度和口音native有改善；
- Mel VAE,对效果稳定有提升，dim=16后增加对抗作用不大；
- language id，dim=3，一定的提升，比较次要；
-
结果：
相似语种，英文-西班牙语的音色迁移更容易一些，英文-普通话效果差一些；
音色迁移成功，不代表口音native
Improving Cross-lingual Speech Synthesis with Triplet Training Scheme[2022icassp][喜马拉雅]
- 背景学习：triplet loss，小样本差别学习
- demo page: FE/DFE实验是在duarin base的基础上加入f0/energy predictor。
- motivation：单语种多语言发音问题进阶，口音要足够native
- 解决思路
- 引入triplet loss，分两阶段训练：
- 第一阶段，正常训练，只是loss项多了CP对抗loss，CP & SP重建损失；
- 第二阶段，content triplet：【anchor，pos，None】，anchor-选择native speaker，且有同样文本；positive sample，非native speaker同样文本生成的 speech；neg,None；speaker triplet【anchor, pos, neg】anchor-native speaker，且有同样文本；positive sample，生成的非native speech；neg，非同样文本仍然是anchor speaker，这样做可以保证学的是口音，保留了音色；
- 没有margin para，因为不需要分类；
- 引入triplet loss，分两阶段训练：
