Neural Vocoder est Tout ce dont Vous Avez Besoin pour la Super-résolution de la Parole

La sur-résolution de la parole (SR) est une tâche visant à augmenter le taux d'échantillonnage de la parole en générant des composantes à haute fréquence. Les méthodes actuelles de SR de la parole sont formées dans des conditions expérimentales contraintes, comme un rapport d'upsampling fixe. Ces contraintes strictes peuvent potentiellement entraîner une faible capacité de généralisation dans les cas réels non appariés. Dans cet article, nous proposons une méthode de sur-résolution de la parole basée sur un vocodeur neuronal (NVSR) capable de traiter une variété de résolutions d'entrée et de rapports d'upsampling. Le NVSR se compose d'un module d'extension de bande mél, d'un module de vocodeur neuronal et d'un module de post-traitement. Notre système proposé obtient des résultats à l'état de l'art sur le banc d'essai multi-parleurs VCTK. À une résolution cible de 44,1 kHz, le NVSR surpassent respectivement WSRGlow et Nu-wave de 8 % et 37 % en termes de distance spectrale logarithmique et atteint une qualité perceptuelle significativement meilleure. Nous démontrons également que les connaissances préalables dans le vocodeur pré-entraîné sont cruciales pour la sur-résolution de la parole en effectuant l'extension de bande mél avec une méthode simple de remplissage par réplication. Des exemples peuvent être consultés à l'adresse suivante : https://haoheliu.github.io/nvsr.