5.3 KiB
Vocoder Vergleich auf Basis des "thorsten" Tacotron 2 Modells
Hier sind Hörproben mit unterschiedlichen Vocodern. Alle gesprochenen Texte (Sample 1 - 4) basieren auf Aufnahmen im Dataset, jedoch nicht auf dem Spektogramm von "ground truth", sondern auf Basis des trainierten Tacotron 2 Modells. Sample 5 ist der Beginn des Märchens "Der Froschkönig" und wurde nicht für das Dataset aufgezeichnet.
Sätze
- Sample #01: Eure Schoko-Bonbons sind sagenhaft lecker!
- Sample #02: Eure Tröte nervt.
- Sample #03: Europa und Asien zusammengenommen wird auch als Eurasien bezeichnet.
- Sample #04: Euer Plan hat ja toll geklappt.
- Sample #05: "In den alten Zeiten, wo das Wünschen noch geholfen hat, lebte ein König, dessen Töchter waren alle schön." (Anfang vom "Froschkönig")
Ground truth
Originalaufnahmen aus dem "thorsten" Dataset.
| Sample | Text | Audio |
|---|---|---|
| 01 | Eure Schoko-Bonbons sind sagenhaft lecker | |
| 02 | Eure Tröte nervt | |
| 03 | Europa und Asien zusammengenommen wird auch als Eurasien bezeichnet | |
| 04 | Euer Plan hat ja toll geklappt. |
Griffin Lim
Details zum Model: (todo: link) Tacotron2 + DDC: 460k Schritte trainiert
ParallelWaveGAN
Tacotron2 + DDC: 360k Schritte trainiert, PWGAN Vocoder: 925k Schritte trainiert
Details: Notebook von Olaf
| Sample | Text | Audio |
|---|---|---|
| 01 | Eure Schoko-Bonbons sind sagenhaft lecker | |
| 02 | Eure Tröte nervt | |
| 03 | Europa und Asien zusammengenommen wird auch als Eurasien bezeichnet | |
| 04 | Euer Plan hat ja toll geklappt. | |
| 05 | In den alten Zeiten, wo das Wünschen noch geholfen hat, lebte ein König, dessen Töchter waren alle schön. |
WaveGrad
todo
HifiGAN
todo
VocGAN
Diese Beispiele basieren auf "ground truth" und nicht auf dem Tacotron 2 Modell 200 Epochen / 284k Trainingsschritte
| Sample | Text | Audio |
|---|---|---|
| 01 | Eure Schoko-Bonbons sind sagenhaft lecker | |
| 02 | Eure Tröte nervt | |
| 03 | Europa und Asien zusammengenommen wird auch als Eurasien bezeichnet | |
| 04 | Euer Plan hat ja toll geklappt. |
GlowTTS / Waveglow
Details: Github von Synesthesiam GlowTTS trainiert für 380k und Vocoder für 500k Schritte.
| Sample | Text | Audio |
|---|---|---|
| 01 | Eure Schoko-Bonbons sind sagenhaft lecker | |
| 02 | Eure Tröte nervt | |
| 03 | Europa und Asien zusammengenommen wird auch als Eurasien bezeichnet | |
| 04 | Euer Plan hat ja toll geklappt. | |
| 05 | In den alten Zeiten, wo das Wünschen noch geholfen hat, lebte ein König, dessen Töchter waren alle schön. |