Byakto Speakto Speak: 与进化神经网络实时长话合成: 将学习从英语转到孟加拉语 (Byakto Speech: Real-time long speech synthesis with convolutional neural network: Transfer learning from English to Bangla)

Speech synthesis is one of the challenging tasks to automate by deep learning, also being a low-resource language there are very few attempts at Bangla speech synthesis. Most of the existing works can't work with anything other than simple Bangla characters script, very short sentences, etc. This work attempts to solve these problems by introducing Byakta, the first-ever open-source deep learning-based bilingual (Bangla and English) text to a speech synthesis system. A speech recognition model-based automated scoring metric was also proposed to evaluate the performance of a TTS model. We also introduce a test benchmark dataset for Bangla speech synthesis models for evaluating speech quality. The TTS is available at https://github.com/zabir-nabil/bangla-tts

翻译：语音合成是深层学习实现自动化的艰巨任务之一,也是一种低资源语言,在孟加拉语语言合成方面很少尝试。除了简单的孟加拉语字符脚本、非常短的句子等之外,大多数现有作品都无法用其他任何东西工作。这项工作试图通过在语言合成系统中引入有史以来首个开放源源的深层学习双语(孟加拉语和英语)的Byakta(Byakta)文本来解决这些问题。还提出了基于语音识别模型的自动评分标准,以评价TTS模型的性能。我们还引入了用于评价语言质量的孟加拉语语言合成模型的测试基准数据集。TTS可在 https://github.com/zabir-nabil/bangla-ts上查阅。

相关内容

语音合成

关注 491

语音合成（Speech Synthesis），也称为文语转换（Text-to-Speech, TTS,它是将任意的输入文本转换成自然流畅的语音输出。语音合成涉及到人工智能、心理学、声学、语言学、数字信号处理、计算机科学等多个学科技术，是信息处理领域中的一项前沿技术。随着计算机技术的不断提高，语音合成技术从早期的共振峰合成,逐步发展为波形拼接合成和统计参数语音合成，再发展到混合语音合成；合成语音的质量、自然度已经得到明显提高，基本能满足一些特定场合的应用需求。目前，语音合成技术在银行、医院等的信息播报系统、汽车导航系统、自动应答呼叫中心等都有广泛应用，取得了巨大的经济效益。另外，随着智能手机、MP3、PDA 等与我们生活密切相关的媒介的大量涌现，语音合成的应用也在逐渐向娱乐、语音教学、康复治疗等领域深入。可以说语音合成正在影响着人们生活的方方面面。