摘要

近年来，文本到语音（Text-to-Speech, TTS）模型如FastSpeech和ParaNet被提出，旨在并行地从文本生成梅尔频谱图（mel-spectrograms）。尽管这类并行TTS模型具有显著优势，但在训练过程中仍需依赖自回归TTS模型提供的外部对齐器（external aligner）进行指导。在本工作中，我们提出Glow-TTS，一种基于流模型（flow-based generative model）的并行TTS框架，无需任何外部对齐器。通过结合流模型的特性与动态规划（dynamic programming）的优势，该模型能够自主搜索文本与语音潜在表示之间的最可能单调对齐（monotonic alignment）。我们证明，强制实施硬性单调对齐可显著提升TTS系统的鲁棒性，使其能够有效处理长语音样本；同时，采用生成流模型可实现快速、多样且可控的语音合成。在语音合成阶段，Glow-TTS相比自回归模型Tacotron 2实现了数量级的加速，同时保持了相当的语音质量。此外，我们还展示了该模型可轻松扩展至多说话人（multi-speaker）场景。