本文介绍了一种名为“Embarrassingly Easy Text-to-Speech（E2 TTS）”的文本转语音系统。

该系统通过将输入文本转换为填充标记字符序列，并基于音频填充值任务训练流匹配基mel频谱生成器，实现了人类水平的自然度和最先进的说话人相似性和可理解性。

与许多先前的工作不同，它不需要额外组件或复杂技术的支持。尽管简单，但E2 TTS在零样本TTS能力方面取得了与先前工作相当甚至超越的效果，包括Voicebox和NaturalSpeech 3。

此外，E2 TTS的简单性也允许灵活地表示输入。本文还提出了几种E2 TTS变体以提高推理时的可用性。

地址：https://arxiv.org/pdf/2406.18009

代码：https://aka.ms/e2tts/

方法改进

相较于传统的语音合成方法，E2 TTS 的改进主要体现在以下两个方面：

使用字符序列替代音素序列：E2 TTS 将音素序列替换为字符序列，避免了需要进行音素转写、音素对齐和音素时长模型等额外处理的需求。

增加了两个扩展功能：第一个扩展功能（E2 TTS X1）消除了在推理中对音频提示进行转录的需求；第二个扩展功能（E2 TTS X2）允许用户在句子中的特定单词上明确指定发音。

解决的问题

E2 TTS 主要解决了以下几个问题：

零样本语音合成：传统的语音合成方法通常需要大量的样本数据进行训练，而 E2 TTS 可以在没有样本数据的情况下进行语音合成。

简化模型结构：E2 TTS 通过使用字符序列替代音素序列，简化了模型结构，减少了额外的处理需求。

支持新的单词发音：E2 TTS X2 扩展功能允许用户在句子中的特定单词上明确指定发音，从而满足个性化需求。

论文实验

E2 TTS模型使用了Transformer架构和U-Net风格的skip连接，具有出色的零样本语音合成能力。

实验数据和模型配置。

实验数据来源于Libriheavy和LibriSpeech-PC等数据集，包括50,000小时的英语语音和200,000小时的额外数据。模型采用了Transformer架构，其中包括24层、16个注意力头、1024维嵌入维度、4096维线性层维度和0.1的dropout率。该模型用于将log mel滤波器组特征转换为波形，使用的BigVGAN-vocoder模型在测试中表现良好。

评估数据和指标。

评估数据来源于LibriSpeech-PC数据集，包括1,132个音频样本和39个演讲者。评估指标包括单词错误率（WER）和相似度评分（SIM-o）。此外，还进行了客观和主观评估，分别通过计算平均值来得出结果。

实验结果和分析。

作者对四种模型进行了比较，包括Voicebox、VALL-E和NaturalSpeech 3。结果显示，E2 TTS模型在所有方面都优于这些基准模型，包括更好的WER、更高的自然度和更好的说话人相似度。此外，E2 TTS还可以扩展到不同的应用场景，例如不需要音频转录和指定新术语的发音。最后，作者还分析了E2 TTS模型的行为，包括训练进度、音频提示长度和改变语速的影响