摘要

神经隐马尔可夫模型（Neural HMMs）是一种最近提出的用于文本到语音序列到序列建模的神经转导器。它们结合了经典统计语音合成和现代神经TTS的最佳特性，需要较少的数据和训练更新次数，并且不易因神经注意力机制失效而产生无意义的输出。在本文中，我们将神经HMM TTS与正态流（normalising flows）相结合，以描述语音声学的高度非高斯分布。结果是一个强大的、完全概率性的时长和声学模型，可以使用精确的最大似然估计进行训练。实验表明，基于我们提出的方法构建的系统比类似方法需要更少的更新次数即可生成准确的发音，并且主观语音质量接近自然语音。请参阅https://shivammehta25.github.io/OverFlow/ 获取音频示例和代码。