Low-Resource Mongolian Speech Synthesis Based on Automatic Prosody Annotation

什么是低资源，在语音合成领域其实可以从两方面考虑：

• 语料数据少，即成对的<text, audio>少，表现就是整体录音时长短；
• 标注数据少，没有 text 与 audio 的对齐信息，没有 text 更多的标注信息，如韵律，情感等

此文主要是参加“全国人机语音通讯学术会议(NCMMSC)”中的特别会议“面向蒙古语的低资源语音合成竞赛”，会议地址http://mglip.com/challenge/NCMMSC2022-MTTSC/index.html

论文地址https://arxiv.org/abs/2211.09365

AdaVocoder: Adaptive Vocoder for Custom Voice
通过引入一种 domain adaptation 损失的自适应声码器，主要是针对 few-shot 问题。

本文将详细解释 Wav 头文件，并展示利用 python 构建 Wav 头文件，配合 fastapi 将合成语音以"audio/wav"格式进行传输。

文本语音驱动数字人表情口型竞赛由SMG技术中心（上海东方传媒技术有限公司）、SMG融媒体中心、AR/VR技术及应用国家工程实验室主办，详细说明可参考比赛官网

摘要

G2PW：A ConditionalWeighted Softmax BERT for Polyphone Disambiguation in Mandarin

论文最亮点的地方是公开了基于 Mandarin Polyphone dataset with Bopomofo (MPB) 数据集训练的模型参数👍，MPB数据集共包含436个多音字，2610344条包含多音字的文本。

• 论文地址：https://arxiv.org/pdf/2203.10430.pdf
• 代码地址：https://github.com/GitYCC/g2pW
• 基于MPB训练的模型地址：https://storage.googleapis.com/esun-ai/g2pW/G2PWModel-v1.zip

VITS 基于变分推断的端到端TTS模型（融合了声学模型与声码器）

摘要

PortaSpeech：Portable and High-Quality Generative Text-to-Speech

音素级别hard duration及低资源这两个痛点，导致FastSpeech2模型的韵律表现不太好。但由于其鲁棒性高，我这里想将文本信息加到里面，利用大量文本信息先构建韵律边界（PW，PPH，IPH）的预测模型。再通过Length Regular机制将韵律边界映射到音素级别，从而提高TTS的韵律。

高度数据驱动的端到端ASR系统在应用到实际业务场景中往往识别特定行业名词的准确率不高，如muji外呼中“无印良品”这个名词经常会识别错误。传统混合ASR模型可以修改解码过程和语言模型（LM）即可以达到快速更新，从而可以较准确的识别特定行业专有名词。但是针对端到端ASR模型修改就比较麻烦了，本文整理并验证了利用TTS合成语音来增强ASR识别专有行业名词的准确率。

语音转换综述