E3-System可控零样本TTS框架提出

Yiqiao Huang等作者提出E3-System，一个面向表达性零样本TTS的意图到语音统一框架。据其介绍，给定目标说话人以及自然语言风格描述或语音风格提示，该框架可生成保留目标音色的表达性语音。 该框架由三部分组成：千小时多语言情感语音数据集EmoData、将文本描述对齐为声学风格提示的Style-RAG，以及通过VC增强音色-风格解耦、把风格迁移到任意目标说话人的Dual-TTS。 作者称实验显示E3-System在语音质量、说话人保持和显式表达控制上表现良好。

根据报道生成 · 1 天前更新

还没有足够的连续观测数据，暂不绘制趋势。