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

2021“创青春·交子杯”新网银行金融科技挑战赛（文字的声音）

初赛排名

HiFi-GAN：有效的、从 mel-spectrogram 生成高质量的 raw waveforms 模型。主要考虑了“语音信号是由不同周期的正弦组成”，在 GAN 模型的 generator 和 discriminator 分别利用了这一点，对音频的周期模式进行建模，从而提高了合成质量。

摘要

问题：怎么根据单一语种数据，构建双语或者是Code-Switched的TTS。

解决方案：利用VC进行数据增强，然后再强行将两个语种的数据堆到一个TTS模型就可以

这篇文章是阿里提出的，详细地址https://arxiv.org/abs/2010.08136v1

WeNet官方网站

这里主要是介绍服务器启动WeNet，本地网页测试遇到的问题及解决办法

摘要

声纹识别：主要是通过声音来识别人的任务。主要的子任务有 speaker verification（说话人验证）、speaker identification（说话人识别）和 speaker diarization（从多说话人语音中分离成单个说话人的语音片段）。下图可以很好说明

摘要

Tacotron2：Tacotron 的改良版。Tacotron应该是第一个基于深度学习的端到端语音合成模型。

Clash 安装使用指南