用AI打个电话骗走22万欧元，克隆你的语音只需5秒录音( 十 )

2019-09-05

图13/18

表 4：参考语音持续时间的影响。在 VCTK 数据集上进行评估。

研究者观察到，该模型在非正式听力测试中生成了正确输出，但正式评估需要设置主观分数投票（subjective score poll）来获得主观平均得分（MOS）。但对于合成器来说，人们还可以验证注意力模块是否生成了正确的对齐方式。示例见图 17：

图14/18

图 17：（左）编码器步骤和解码器步骤之间的数轴对应；（右）GTA 预测声谱图和 ground truth 声谱图之间的比较。

通过计算合成语音的嵌入并利用 UMAP 将它们与 ground truth 嵌入共同映射，研究者能够进一步观察一些语音特征随 Griffin-Lim 算法丧失。示例见图 18：

推荐阅读

上一篇：原创<br> 苹果信用卡“有毒”？Apple Card金属含量100%！

下一篇：手写笔记神器 MyScript Nebo 支持键盘了