@kn
Katsuya
@kn
10 months
@niw Natural Speech 2も良いですよー。 VALLE-E-XよりConsistentでProduction向きかもです。
Tweet card media
NaturalSpeech 2: Latent Diffusion Models are Natural and Zero-Shot...

Scaling text-to-speech (TTS) to large-scale, multi-speaker, and in-the-wild datasets is important to capture the diversity in human speech such as speaker identities, prosodies, and styles (e.g.,...

arxiv.org
1
0
5

Replies

@niw
Yoshimasa Niwa
@niw
10 months
VALL-E-X ちょっとヤバいなー。CPUで十分速いし、10秒くらいの音声サンプルからかなり本人っぽい音声が作れる。本家から実装やモデルが公開されていなかった理由わかる。
1
10
43
@niw
Yoshimasa Niwa
@niw
10 months
@kn まだあんまり調べきれてないんですが、声の調子とか早さとか固定してコントロールできる方法あるみたいですねー。いろいろ掘って行きたい。
1
0
0
@kn
Katsuya
@kn
10 months
@niw natural speech, tacotron, fastspeech, vitsなどのprior modelで先に音声のペースやピッチを予測するモデルだと簡単にコントロールにできますね。
0
0
1