[前研究组柳熙Jo]
文本转语音（TTS）是一种将任意文本转换为特定语音的语音并进行计算的技术。谷歌发布Tacotron系列后，迅速从基于HMM（隐马尔可夫模型）转向基于深度学习，目前商业服务的模型往往是在深度学习的基础上运行的。改进已经足够商业化，相关研究也在从“简单实现”转向“新功能”和“优化”。
Neo Sapiens 最近推出了 MLP Singer，这是一种新的 TTS 模型，正如其名称所暗示的那样唱歌。虽然微软的 HiFiSinger 是作为现有的非自回归唱歌 TTS 发布的，它使用了 Transformer 的持续时间预测器，但通过排除持续时间预测器并使用 MLP 混合器代替 Transformer，它在减轻重量方面是一个显着改进的模型。
当然，虽然最近商业化的 TTS MOS 超过了 4 点范围并产生了与人类几乎无法区分的声音，但发布的模型的 TTS 仍然在早期的 3 点范围内，所以似乎还有很大的空间改进。但是，与现有的 TTS 一样，它有望通过数据积累和模型细化得到快速发展。
KAIST去年发布的韩/英歌曲数据集也在5月份发布，从数据中学习到的demo是公开的，所以你可能想听听。详情请参考下面的链接，该链接是论文中发布的演示站点。
演示链接： https://mlpsinger.github.io/
Github 链接： https://github.com/neosapience/mlp-singer
参考
Tae, J.、Kim, H. 和 Lee, Y.（2021 年）。 MLP 歌手：迈向快速并行韩国歌声合成。 arXiv 预印本 arXiv:2106.07886.
Choi, S.、Kim, W.、Park, S.、Yong, S. 和 Nam, J.（2020 年 10 月）。用于声乐研究的儿歌数据集。在 第 21 届国际音乐信息检索学会 (ISMIR).国际音乐信息检索协会。
Chen, J., Tan, X., Luan, J., Qin, T., & Liu, T.Y. (2020)。 Hifisinger：走向高保真神经歌声合成。 arXiv 预印本 arXiv:2009.01776.
