声明：工作以来主要从事TTS工作，平时看些文章做些笔记。文章中难免存在错误的地方，还望大家海涵。平时搜集一些资料，方便查阅学习：TTS 论文列表 http://yqli.tech/page/tts_paper.html TTS 开源数据 http://yqli.tech/page/data.html。如转载，请标明出处。欢迎关注微信公众号：低调奋进

（本来想写完整后再发出，大家可以根据选取的文章先看个大概，等闲下来后再详细写。我接下来一个月可能碰到一些事情，更新也将会断断续续，望谅解）

此处的韵律跟前端韵律不同，前端的韵律是从语言学的角度来定义停顿时长，是表现目标，对于所有说话人都是一样。本文所讲的韵律是从声学特征学习的具体表现形式，其内容可包含情感，语速，语音质量等级等等信息，主要使合成的语音更加自然，富有情感，对于每位说话人都是不同。文章按照韵律调整的粒度分为两类：粗粒度和细粒度。粗粒度为句子级别的迁移调控，细粒度为phrase，word，phone的调控。接下来将讲解如下几篇文章：

粗粒度：

1）Towards end-to-end prosody transfer for expressive speech synthesis with tacotron ()

/pdf/1803.09047.pdf

2）Style tokens: Unsupervised style modeling, control and transfer in end-to-end speech synthesis ()

/pdf/1803.09017.pdf

细粒度：

3）ROBUST AND FINE-GRAINED PROSODY CONTROL OF END-TO-END SPEECH SYNTHESIS ()

/pdf/1811.02122.pdf

4）FINE-GRAINED ROBUST PROSODY TRANSFER FOR SINGLE-SPEAKER NEURAL TEXT-TO-SPEECH ()

/pdf/1907.02479.pdf

5）FULLY-HIERARCHICAL FINE-GRAINED PROSODY MODELING FOR INTERPRETABLE SPEECH SYNTHESIS ()

/pdf/2002.03785.pdf

6)Hierarchical Multi-Grained Generative Model for Expressive Speech Synthesis ()

/pdf/.08474.pdf

7)MIXTURE DENSITY NETWORK FOR PHONE-LEVEL PROSODY MODELLING IN SPEECH SYNTHESIS ()

/pdf/2102.00851.pdf

8)AdaSpeech: Adaptive Text to Speech for Custom Voice ()

/pdf/2103.00993.pdf

第一篇 Towards End-to-End Prosody Transfer for Expressive Speech Synthesis with Tacotron

本文章是首次提出无监督学习来进行韵律的迁移，本文章的做法是使用reference encoder把参考的语音编码成一个vector，该vector就是句子级别的prosody embedding，其包含参考语音的韵律，语速，情感等等信息。

第二篇 Style tokens: Unsupervised style modeling, control and transfer in end-to-end speech synthesis

上一篇文章的prosody embedding包含了情感，语速等复杂信息，本文的style tokens可以对上边的prosody embedding进行解耦，使其每个token控制一种style(其实无法完全解耦，每个token还是存在多种信息）。

第三篇 ROBUST AND FINE-GRAINED PROSODY CONTROL OF END-TO-END SPEECH SYNTHESIS

以上两篇都是粗粒度的韵律迁移调控，本文是细粒度的韵律调控：帧级别和音素级别。本文使用的reference encoder是第一篇文章的结构，其韵律信息使用的可变长的韵律信息。

​

第四篇 FINE-GRAINED ROBUST PROSODY TRANSFER FOR SINGLE-SPEAKER NEURAL TEXT-TO-SPEECH

上篇文章缺点是对unseen speaker和单说话人的韵律进行迁移效果很差，因此本文提出了对参考音频进行单独的信息抽取，其中aggregation phase即信息的抽取。另外本文使用vae对韵律信息预测。

第五篇 FULLY-HIERARCHICAL FINE-GRAINED PROSODY MODELING FOR INTERPRETABLE SPEECH SYNTHESIS

提出了多级韵律架构，而且提出了condition VAE架构。

第六篇 Hierarchical Multi-Grained Generative Model for Expressive Speech Synthesis

本文提出不需要参考样音的多粒度韵律模型。

第七篇 MIXTURE DENSITY NETWORK FOR PHONE-LEVEL PROSODY MODELLING IN SPEECH SYNTHESIS

本文使用GMM对音素级的韵律进行建模

第八篇 AdaSpeech: Adaptive Text to Speech for Custom Voice