EFFICIENTLY TRAINABLE TEXT-TO-SPEECH SYSTEM BASED ON DEEP CONVOLUTIONAL NETWORKS WITH GUIDED ATTENTION

[rild]

https://arxiv.org/abs/1710.08969

ダウンロードした

[rild]

一晩で Attention ネットワークの学習を終えることができる

品質は完璧ではないので、ハイパーパラメータの調整や、DL のテクニックを使って品質の改善ができるかも

今後の展望 emotional/non-linguistic/personalized speech synthesis singing voice synthesis music synthesis etc.

[rild]

attention の学習に時間がかかる → Guided Attention Loss を計算する？ことで高速化

[rild]

Demo page

github

[rild]

RNN:

a vanilla encode-decoder model cannot encode too long se- quence into a fixed-length vector effectively