關鍵詞：多語言語音合成和跨語言語音克隆

　　我們知道目前端到端神經(jīng)TTS模型已經(jīng)可以實現(xiàn)對說話者身份和未標記的語音屬性(如韻律)的控制。當使用language-dependent輸入表示或模型組件時，特別是當每種語言的訓練數(shù)據(jù)量不平衡時，擴展這些模型以支持多種不相關的語言并非易事。例如，在漢語和英語等語言之間的文本表示沒有重疊。此外，收集雙語者的錄音也很昂貴。因此，最常見的情況是訓練集中的每個說話者只說一種語言，所以說話者的身份與語言是完全相關的。這使得在不同語言之間語音轉(zhuǎn)換變得困難。此外，對于外來詞或共享詞的語言，如西班牙語(ES)和英語(EN)中的專有名詞，同一文本的發(fā)音可能不同。當經(jīng)過簡單訓練的模型有時為特定的說話者生成重音時，這就更加難以捉摸。

　　針對以上問題，最近學者們提出了一種基于Tacotron（中文語音合成）的多人多種語言文本到語音(TTS)的合成算法。

　　這種算法能夠在多種語言中生成高質(zhì)量的語音。此外，模型是能夠跨語言傳遞聲音。模型結構采用基于注意力機制的序列到序列模型，根據(jù)輸入文本序列生成倒譜梅頻（log-mel，來自MFCC梅爾頻率倒譜系數(shù)）圖幀序列。

　　該模型是通過使用音位輸入表示來設計的，以激勵跨語言的模型容量共享。它還包含了一個對抗性的損失，以幫助理清它的說話者表示。通過對每種語言的多名使用者進行訓練，加入自動編碼輸入，并在訓練期間來幫助穩(wěn)定注意力，從而進一步擴大了訓練規(guī)模。

　　經(jīng)過計算，實現(xiàn)了語音克隆和重音控制效果的可視化。嵌入向量集群聚在一起(左下角和右下角)，這意味著當說話者的原始語言與嵌入的語言匹配時，無論文本語言是什么，都會有很高的相似性。然而，使用文本中的語言ID(正方形)，修改說話者的口音使其能夠流利地說話，與母語和口音(圓形)相比，會損害相似性。

　　該模型對三種語言的高質(zhì)量語音合成和語音訓練的跨語言傳輸具有重要的應用潛力。例如，不需要任何雙語或并行語言的訓練，它就能夠使用英語使用者的聲音合成流利的西班牙語。此外，該模型在學習說外語的同時還會適量調(diào)節(jié)口音，并對代碼切換有基本的支持。

　　在未來的工作中，學者們還將計劃研究擴大利用大量低質(zhì)量培訓數(shù)據(jù)的方法，并支持更多的使用者和語言。

　　論文鏈接：https://arxiv.org/pdf/1907.04448.pdf