会议：2020 interspeech
作者：Songxiang Liu， Shiyin Kang，Helen Meng
单位：The Chinese University of Hong Kong， Tencent AI Lab
abstract
- 情感VC：说话者想要表达的信息不仅包含speech的内容，也包含在speech中的一些情感、重读也中。
- 本文提出一种基于非平行数据sequence-to-sequence的EVC
1. introduction
- 将speech拆成几个部分：Y-文本；Z: speaking style；S：speaker；R：rhythm
- 韵律表征音素的时间内容，因此和Z/Y相关
2. Proposed approach
- rhythm：加一个预测rhythm的模块，和duration predictors的作用差不多，输出phn对应的持续时间，是整数序列
- style embedding：用GST建模；