概述
它解决了早期自回归型号如Tacotron所困扰的缓慢且易出错的一代问题。
深入探讨
早期的神经 TTS 模型（例如 Tacotron 2）是自回归的：它们根据前一个音频帧来预测每个音频帧，该音频帧速度很慢，并且在注意力不集中时容易跳过或重复单词。 FastSpeech 由 Microsoft 和浙江大学于 2019 年推出，通过一次性预测所有帧来扭转这一局面。基于 Transformer 的前馈网络采用音素，通过长度调节器明确预测每个音素应持续多长时间，并在单次生成频谱图之前将序列扩展至正确的帧数。 FastSpeech 2 对此进行了改进，它还预测音调和能量，并通过强制对齐来训练持续时间目标，而不是从缓慢的教师模型中提取它们，从而产生更自然和可控的语音。
现实世界的实施
实时导航应用程序使用并行 FastSpeech 式合成立即生成逐向语音提示。
客户服务 IVR 系统可将动态文本大规模转换为语音，而不会出现跳字错误。
辅助功能屏幕阅读器可以在普通硬件上为长文档生成快速、可靠的语音。
借助 FastSpeech 2 明确的音调和能量预测器，语音内容工具可让创作者直接调整音调和语速。
FastSpeech 和非自回归 TTS 的未来
非自回归合成现在是生产 TTS 的默认方法，因为它快速、稳健且可控。未来的系统将推动更精细的韵律控制、直播应用程序的低延迟流媒体以及完全跳过中间频谱图的端到端变体。基于扩散和流的非自回归模型也在兴起，将 FastSpeech 的并行性与更强的生成质量相结合，而明确的音调和持续时间控制对于可编辑、富有表现力的语音产品仍然很有价值。
付诸实践
为什么这很重要
- 交通与覆盖范围. 它通过转录、旁白和语音界面提高了可访问性。
- 成本与预算. 媒体团队可以用更少的预算更快地交付精美的音频。
- 速度与规模. 面向客户的系统可以处理更大规模的语音交互。
留意
- 如果未征得同意，语音滥用和冒充风险就会增加。
- 由于口音、方言或嘈杂的环境，准确性可能会下降。
- 如果没有明确的标签，合成音频可能会被误认为是真实的语音。
后续步骤
- 获得语音捕获、克隆和重用的明确同意。
- 测试不同扬声器和背景条件下的质量。
- 定义人员必须审查或批准输出的时间。
- 标记合成音频并保留来源记录以供问责。
不断探索
常见问题
什么是FastSpeech和非自回归TTS？
FastSpeech 并行生成整个语音频谱图，而不是一次生成一帧，从而使合成速度显着更快、更稳定。它解决了困扰 Tacotron 等早期自回归模型的缓慢且容易出错的生成问题。
在 FastSpeech 上下文中“非自回归”是什么意思？
非自回归意味着帧是在单次传递中并行生成的，而不是根据先前的帧进行一一调节。
FastSpeech 具体解决了 Tacotron 2 这样的自回归模型的哪些问题？
自回归注意力可能会错位，导致跳过或重复单词，并且顺序解码速度很慢； FastSpeech 解决了这两个问题。
FastSpeech 中“长度调节器”的作用是什么？
长度调节器通过预测的持续时间扩展音素特征，将较短的文本序列与较长的频谱图对齐。
Which additional speech variations does FastSpeech 2 condition on during training and inference?
FastSpeech 2 uses duration, pitch, and energy information as conditional inputs to better model speech variation.
为什么 FastSpeech 的推理时间几乎不随句子长度增长？
由于生成是并行的，因此添加更多帧不会像自回归解码那样增加连续步骤。