Flowtron : un réseau génératif à base de flux autoregressif pour la synthèse parlée à partir de texte

Dans cet article, nous proposons Flowtron : un réseau génératif basé sur les flux autoregressifs pour la synthèse vocale à partir de texte, offrant un contrôle précis sur la variation vocale et la transformation de style. Flowtron s'inspire des principes de IAF et repense l'architecture de Tacotron afin de produire des mel-spectrogrammes de haute qualité et expressifs. Flowtron est optimisé par maximisation de la vraisemblance des données d'entraînement, ce qui rend l'entraînement simple et stable. Il apprend une application inversible des données vers un espace latente, pouvant être manipulé pour contrôler divers aspects de la synthèse vocale (hauteur, ton, vitesse de parole, rythme, accent). Nos résultats en termes de scores moyens d'opinion (MOS) montrent que Flowtron atteint les performances des meilleurs modèles actuels de synthèse vocale en matière de qualité vocale. En outre, nous présentons des résultats sur le contrôle de la variation vocale, l'interpolation entre échantillons et la transformation de style entre locuteurs observés et non observés durant l'entraînement. Le code source et les modèles pré-entraînés seront rendus disponibles publiquement à l'adresse suivante : https://github.com/NVIDIA/flowtron