| Title: | Построение и оценка эффективности нейросетевых моделей клонирования голоса |
| Other Titles: | Neural network models for voice cloning: building and efficiency estimation |
| Authors: | Кукареко, А. П. |
| Keywords: | материалы конференций;клонирование голоса;нейронные сети;голосовые сигналы;voice cloning;neural network;voice signals |
| Issue Date: | 2021 |
| Publisher: | БГУИР |
| Citation: | Кукареко, А. П. Построение и оценка эффективности нейросетевых моделей клонирования голоса / Кукареко А. П. // Компьютерные системы и сети : сборник статей 57-ой научной конференции аспирантов, магистрантов и студентов, Минск, 19-23 апреля 2021 г. / Белорусский государственный университет информатики и радиоэлектроники. – Минск, 2021. – С. 75–78. |
| Abstract: | В работе рассматривается управляемый метод клонирования голоса, позволяющий контролировать, качественно и количественно оценивать точность различных параметров синтезированной речи. Демонстрируется возможность использования генеративной модели для клонирования таких стилистических характеристик голоса, как высота тона, темп и тембр речи, просодия, фонетические особенности русской речи. Производительность метода тестируется слоями глубокой свертки для моделирования кодеров, декодеров и вокодера на базе WaveNet. Эффективность построенной в результате модели сравнима с современными системами преобразования текста в речь (TTS) и конверсии голоса (VC) при использовании образцов речи без текстового сопровождения длиной 1–5 минут. |
| Alternative abstract: | We present a controlled method of voice cloning, which makes it possible to control, evaluate the accuracy of various parameters of synthesized speech in quantity and quality. The possibility of using a generative model for cloning such stylistic characteristics of a voice as pitch, tempo and timbre of speech, prosody, phonetic features of Russian speech is demonstrated. The performance of the method is tested by deep convolution layers to simulate WaveNet-based encoders, decoders, and vocoder. The efficiency of the resulting model is comparable to modern text-to-speech (TTS) and voice conversion (VC) systems when using 1–5 minutes speech samples without text supervision. |
| URI: | https://libeldoc.bsuir.by/handle/123456789/44169 |
| Appears in Collections: | Компьютерные системы и сети : материалы 57-й научной конференции аспирантов, магистрантов и студентов : сборник статей (2021)
|
