This paper describes the Microsoft end-to-end neural text to speech (TTS) system: DelightfulTTS for Blizzard Challenge 2021. The goal of this challenge is to synthesize natural and high-quality speech from text, and we approach this goal in two perspectives: The first is to directly model and generate waveform in 48 kHz sampling rate, which brings higher perception quality than previous systems with 16 kHz or 24 kHz sampling rate; The second is to model the variation information in speech through a systematic design, which improves the prosody and naturalness. Specifically, for 48 kHz modeling, we predict 16 kHz mel-spectrogram in acoustic model, and propose a vocoder called HiFiNet to directly generate 48 kHz waveform from predicted 16 kHz mel-spectrogram, which can better trade off training efficiency, modelling stability and voice quality. We model variation information systematically from both explicit (speaker ID, language ID, pitch and duration) and implicit (utterance-level and phoneme-level prosody) perspectives: 1) For speaker and language ID, we use lookup embedding in training and inference; 2) For pitch and duration, we extract the values from paired text-speech data in training and use two predictors to predict the values in inference; 3) For utterance-level and phoneme-level prosody, we use two reference encoders to extract the values in training, and use two separate predictors to predict the values in inference. Additionally, we introduce an improved Conformer block to better model the local and global dependency in acoustic model. For task SH1, DelightfulTTS achieves 4.17 mean score in MOS test and 4.35 in SMOS test, which indicates the effectiveness of our proposed system
翻译:本文描述微软端到端神经文字到言语系统(TTS) : Blizzard 挑战 2021 的亮度TTS 。 挑战的目标是从文本中合成自然和高质量的语言, 我们从两个角度来对待这个目标: 第一是直接建模和生成48千赫兹取样率的波形, 从而在16千赫兹或24千赫兹取样率的情况下, 提高感知质量; 第二是通过系统设计, 改善言语中的变异信息, 从而改善言语的性能和自然性。 具体来说, 在48千赫兹建模中, 我们预测模型的目标是, 16千赫兹到高端语言的言语, 直接生成48千赫兹波形。 第二, 我们从直观、 直观、 直观、 直观和直观 直观的言语中, 向导、 直观的言语、 直观、 直观、 直观、 直观的言、 直观、 直观、 直观、 直观的言、 直观、 直观、 直观、 直观、 直观、 直观、 直观、 直观、 直观、 直观、 和直观、 根、 向、 直方、 向、 向、 向、 向、 向、 向、 向、 向、 向、 向、 向、 向、 向、 向、 向、 向、 向、 向、 、 向、 向、 向、 、 向、 向、 向、 、 向、 、 、 向、 向、 向、 、 、 、 向、 向、 向、 、 、 、 、 、 向、 、 、 、 、 、 、 、 、 向、 、 向、 向、 向、 向、 向、 、 、 向、 向、 向、 向、 、 、 向、 向、 向、 向、 、 向、 向、 向、 向、 向、 、 向、