计算机应用

作者：文连庆, 陶冶, 田云龙, 牛丽, 孙宏霞

单位：1.青岛科技大学 信息科学技术学院，山东 青岛 266061；2.数字家庭网络国家工程实验室，山东 青岛 266000

关键词：语音合成,多粒度特征提取,丰富韵律,流语音解码器,仿射耦合层,轻量化

基金：国家重点研发计划项目(2023YFF0612100);青岛市关键技术攻关及产业化示范类项目(24-1-2-qljh-19-gx)

非自回归的文本到语音（NAR-TTS）模型的发展使得快速且高质量的语音合成成为可能。然而，合成语音的韵律仍有待提升，且在文本单元与语音之间存在一对多的问题，导致难以生成具有丰富韵律且高质量的梅尔频谱。此外，现有的NAR-TTS模型中存在大量冗余的神经网络。因此，提出一种基于流的轻量化高质量NAR-TTS方法——AirSpeech。首先，分析文本，得到不同粒度的语音特征编码；其次，采用基于注意力机制的技术对齐这些特征编码，从混合编码中提取韵律信息；在此过程中，利用长短距离注意力（LSRA）机制和单一网络技术使特征提取轻量化；最后，设计基于流的解码器，从而显著降低模型的参数量和峰值内存，并通过引入仿射耦合层（ACL），使解码出的梅尔频谱更细致和自然。实验结果表明，相较于BVAE-TTS和PortaSpeech方法，AirSpeech的结构相似性（SSIM）和平均意见得分（MOS）指标更优，能够兼顾合成语音的高质量和模型的轻量化。

来源：2025年第10期

《计算机应用》期刊编辑部

查看计算机应用杂志2025年第10期