Effects of Training Strategies and the Amount of Speech Data on the Quality of Speech Synthesis

Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F49777513%3A23520%2F24%3A43973159" target="_blank" >RIV/49777513:23520/24:43973159 - isvavai.cz</a>
Výsledek na webu
<a href="https://link.springer.com/chapter/10.1007/978-3-031-70566-3_9" target="_blank" >https://link.springer.com/chapter/10.1007/978-3-031-70566-3_9</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1007/978-3-031-70566-3_9" target="_blank" >10.1007/978-3-031-70566-3_9</a>

Jazyk výsledku
angličtina
Název v původním jazyce
Effects of Training Strategies and the Amount of Speech Data on the Quality of Speech Synthesis
Popis výsledku v původním jazyce
During the development of a speech synthesizer, we often face a lack of training data. This paper describes how the amount of data used to train a speech synthesizer affects the quality of the final synthetic speech. To answer this question, we trained multiple VITS synthesizers using different amounts of training data and we compared them using listening tests and the MCD objective measure. Furthermore, we compared three training strategies: training a speech synthesizer from scratch, fine-tuning a single-speaker model and fine-tuning a multi-speaker model.
Název v anglickém jazyce
Effects of Training Strategies and the Amount of Speech Data on the Quality of Speech Synthesis
Popis výsledku anglicky
During the development of a speech synthesizer, we often face a lack of training data. This paper describes how the amount of data used to train a speech synthesizer affects the quality of the final synthetic speech. To answer this question, we trained multiple VITS synthesizers using different amounts of training data and we compared them using listening tests and the MCD objective measure. Furthermore, we compared three training strategies: training a speech synthesizer from scratch, fine-tuning a single-speaker model and fine-tuning a multi-speaker model.

Projekt
<a href="/cs/project/GA22-27800S" target="_blank" >GA22-27800S: Využití vícemodálních Transformerů pro přirozenější hlasový dialog</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění
2024
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku
Text, Speech, and Dialogue. Lecture Notes in Computer Science
ISBN
978-3-031-70565-6
ISSN
0302-9743
e-ISSN
1611-3349
Počet stran výsledku
11
Strana od-do
94-104
Název nakladatele
Springer International Publishing
Místo vydání
Cham
Místo konání akce
Brno, Czech Republic
Datum konání akce
9. 9. 2024
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
001307848400009

Podobné výsledky(10)