Google’s Next-Generation Real-Time Unit-Selection Synthesizer using Sequence-To-Sequence LSTM-based Autoencoders

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F49777513%3A23520%2F17%3A43932652" target="_blank" >RIV/49777513:23520/17:43932652 - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.21437/Interspeech.2017-1107" target="_blank" >http://dx.doi.org/10.21437/Interspeech.2017-1107</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.21437/Interspeech.2017-1107" target="_blank" >10.21437/Interspeech.2017-1107</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Google’s Next-Generation Real-Time Unit-Selection Synthesizer using Sequence-To-Sequence LSTM-based Autoencoders

Popis výsledku v původním jazyce

A neural network model that significant improves unit- selection-based Text-To-Speech synthesis is presented. The model employs a sequence-to-sequence LSTM-based autoen- coder that compresses the acoustic and linguistic features of each unit to a fixed-size vector referred to as an embedding. Unit-selection is facilitated by formulating the target cost as an L2 distance in the embedding space. In open-domain speech synthesis the method achieves a 0.2 improvement in the MOS, while for limited-domain it reaches the cap of 4.5 MOS. Fur- thermore, the new TTS system halves the gap between the pre- vious unit-selection system and WaveNet in terms of quality while retaining low computational cost and latency.

Název v anglickém jazyce

Google’s Next-Generation Real-Time Unit-Selection Synthesizer using Sequence-To-Sequence LSTM-based Autoencoders

Popis výsledku anglicky

A neural network model that significant improves unit- selection-based Text-To-Speech synthesis is presented. The model employs a sequence-to-sequence LSTM-based autoen- coder that compresses the acoustic and linguistic features of each unit to a fixed-size vector referred to as an embedding. Unit-selection is facilitated by formulating the target cost as an L2 distance in the embedding space. In open-domain speech synthesis the method achieves a 0.2 improvement in the MOS, while for limited-domain it reaches the cap of 4.5 MOS. Fur- thermore, the new TTS system halves the gap between the pre- vious unit-selection system and WaveNet in terms of quality while retaining low computational cost and latency.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

20205 - Automation and control systems

Projekt

<a href="/cs/project/LO1506" target="_blank" >LO1506: Podpora udržitelnosti centra NTIS - Nové technologie pro informační společnost</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2017

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Proceedings of the 18th Annual Conference of the International Speech Communication Association (Interspeech 2017)

ISBN

978-1-5108-4876-4

ISSN

—

e-ISSN

—

Počet stran výsledku

5

Strana od-do

1143-1147

Název nakladatele

Curran Associates, Inc.

Místo vydání

Red Hook, NY

Místo konání akce

Stockholm, Sweden

Datum konání akce

20. 8. 2017

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

000457505000239