multi-speaker

定義

複数の話者の声を扱えることを示す語で、音声合成では一つのモデルで話者を切り替えて出力できる構成を指す。話者性を埋め込みとして言語内容から分離することで実現され、短い参照音声から未知の声を再現するゼロショット音声複製につながる。認識側では、複数人が同時に話す音を分離し誰の発話かを帰属させる課題を指す場合もある。

論文題名での読み方

音声合成で声を作り分け

この語が出てくる解説

• 論文解説: SwanTale — 参照音声なしで「言葉から声をデザインする」統合音声・オーディオ生成SwanTale: Unified Multi-Speaker Speech and Audio Generation for Instruct and Zero-Shot Tasks