摘要

随着文本转语音技术在朗读任务中实现了令人瞩目的自然度，学术界对语音与非语言交际行为（如即兴言语及其伴随的身体动作）的多模态合成兴趣日益增长。本文提出了一种新颖的统一架构，能够从文本中联合生成语音声学特征与基于骨骼的三维手势动作，该架构采用最优传输条件流匹配（OT-CFM）进行训练。相较于先前的最先进方法，所提出的架构更为简洁，内存占用更小，且能够有效建模语音与手势之间的联合分布，实现两种模态在单一过程中的一体化生成。同时，新的训练机制显著提升了合成质量，并在远少于以往步骤（网络评估次数）的情况下达成更优效果。主观评估实验（包括单模态与多模态测试）表明，与现有基准相比，本文方法在语音自然度、手势人形度以及跨模态适配性方面均取得显著提升。更多视频示例与代码请访问：https://shivammehta25.github.io/Match-TTSG/。