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

摘要

FastSpeech2：基于Transformer的非自回归TTS

常用命令汇总

语音合成数据集

1. 标贝数据

Datasets detail:

• Language：Chinese Mandarin
• Gender：Female
• Age：20-30 years
• Hours：12
• Data Format：Audio and Text, 48KHz, 16 bit, PCM WAVE
• Annotation：phoneme boundaries, prosody
• 下载链接：https://test.data-baker.com/#/data/index/source