Google的E3 TTS 通过扩散模型提供高质量音频合成方法

　　Google 的研究团队提出了一种名为 E3TTS 的简便端到端扩散式文本到语音模型。该模型通过扩散模型保留时间结构，能够直接接受纯文本输入并生成音频波形。它利用预训练的 BERT 模型提取文本信息，并通过扩散 UNet 模型迭代地生成最终的语音波形。相比其他现有的文本到语音系统，E3TTS 简化了部署、训练和设置过程，并且不依赖中间特征的质量。

　　E3TTS 模型采用非自回归方式，以文本作为输入，实时生成音频波形。它的架构包括两个主要模块:预训练的 BERT 模型用于提取输入文本的相关信息，扩散 UNet 模型用于处理 BERT 输出，迭代地优化初始噪声波形以预测最终的原始波形。这种设计使得 E3TTS 能够直接从 BERT 特征生成高质量的音频波形，并且可以使用多种语言进行训练。

　　为了增强对 BERT 输出的信息提取，E3TTS 模型采用了 U-Net 结构，其中包含一系列下采样和上采样块。在顶层的下采样 / 上采样块中，引入了交叉注意力机制。在较低层次的块中，使用了自适应 softmax 卷积神经网络(CNN)内核，其内核大小由时间步和说话者确定。在其他层次中，通过特征级线性调制(FiLM)将说话者和时间步嵌入进行组合，包括用于通道级缩放和偏差预测的复合层。

　　实验证明，E3TTS 能够生成高保真音频，接近最先进的神经 TTS 系统的性能。此外，它还支持各种零样本任务，如语音编辑和基于提示的生成。E3TTS 的设计简化了端到端 TTS 系统的构建，并在实验中取得了令人印象深刻的结果。

　　总结起来，E3TTS 通过扩散模型从 BERT 特征直接生成高质量音频。它简化了端到端 TTS 系统的设计，经过实验证明具有出色的性能。