CDFSE_FastSpeech2

零样本语音合成，让AI模仿任何人的声音更逼真

CDFSE_FastSpeech2 是论文《Content-Dependent Fine-Grained Speaker Embedding for Zero-Shot Speaker Adaptation in Text-to-Speech Synthesis》的官方实现，基于 FastSpeech 2 架构，提出内容相关的细粒度说话人嵌入方法，用于解决零样本语音合成中的说话人自适应问题。传统方法通常使用全局说话人嵌入，难以捕捉发音内容对音色的影响，导致合成语音相似度不足。该项目通过将说话人嵌入与文本内容动态结合，生成更精细的说话人表征，从而提升零样本场景下合成语音的说话人相似度和自然度。核心能力包括：支持零样本说话人自适应、提供完整的训练和推理流程、兼容 LJSpeech 等常见数据集。项目代码基于 Python 和 PyTorch，适合语音合成研究者进行实验和对比。