Conversão de voz usando Redes Neurais Recorrentes baseadas em Memória de Longo Prazo Bidirecional Profunda

Este artigo investiga o uso de Redes Neurais Recorrentes baseadas em Memória de Longo Prazo Bidirecional Profunda (DBLSTM-RNNs) para conversão de voz. As correlações temporais entre os quadros de fala não são modeladas diretamente em métodos baseados em quadros usando Redes Neurais Profundas convencionais (DNNs), o que resulta em uma qualidade limitada da fala convertida. Para melhorar a naturalidade e continuidade da saída de fala na conversão de voz, propomos um método de conversão baseado em sequência usando DBLSTM-RNNs para modelar não apenas a relação entre a voz de origem e a de destino, mas também as dependências de contexto em longo prazo na trajetória acústica. Experimentos mostram que DBLSTM-RNNs superam DNNs onde as Médias de Opinião são 3.2 e 2.3, respectivamente. Além disso, DBLSTM-RNNs sem características dinâmicas têm desempenho melhor do que DNNs com características dinâmicas.