声明：语音合成论文优选系列主要分享论文，分享论文不做直接翻译，所写的内容主要是我对论文内容的概括和个人看法。如有转载，请标注来源。
文章同列统计可访问：http://yqli.tech/page/tts_paper.html

Perceptually Guided End-to-End Text-to-Speech With MOS Prediction

本文为韩国科学技术高等研究院电气工程学院在2021.08.19更新的文章，主要使用MOSNet增加perceptual loss来优化TTS，从而提高自然度。

具体的文章链接：https://arxiv.org/pdf/2011.01174.pdf

1  研究背景

这篇文章还挺有趣，主要在想法上边。首先，对于TTS的合成音频质量的标准主要靠主观的MOS来评分，但这需要组织大量人力来评分，因此自动MOS打分系统被研究，诸如MOSNet等等。本文把MOSNet系统作为loss在训练时期来优化TTS系统，从而提高主观MOS值。


2 详细设计

本篇文章主要是想法好玩，具体如图一所示。先使用具有MOS打分的数据训练MOSnet,然后把MOSnet作为主观loss来训练TTS，不管TTS是哪种类型的声学模型。


3 实验

本文的实验可懂度指标如table 1所示，其中table 2，table 3，fig 2和fig3展示了使用本文方案的效果，从结果可以看出，本文的方案提高了MOS值，其中音素错误PER下降，同时可懂度提高。





4 总结

本文使用MOSNET作为perceptual loss来优化TTS，从而提高自然度。