创建文本到语音语音变体的最佳方法

Question

我需要至少3/4个不同的tts声音，但不幸的是我只有一个声音。

这是因为我只有一个意大利神经声音(Diego)，其他都是标准声音，质量要差得多。

最终的目标是创建一个至少3/4人的画外音，我不能使用一些确切的声音。

出于这个原因，我喜欢创造一些由我唯一的一种神经声音开始的变体，它给人的印象是其他人的声音，所有这些看起来都不自然。

实际上我有Adobe Audition，Audacity，Ircam Trax，ffmpeg，除此之外，我可以使用带有API的SSML (在这个例子中是microsoft Azure)。

我不知道它的效果是什么，在什么程度上使用它而不损害声音。

简而言之，我会问，使用我现有的软件或其他软件做什么是最好的方法，如果我能得到更好的结果。

谢谢！

Answer 1

你用的是什么语言？如果你使用英语，我相信你可以找到超过3-4个神经声音。有en-US，en-GB，en-CA，en-AU神经声音，听起来都很自然。

您还可以使用SSML调整音高，使声音听起来不同。

如果您想创建不同的声音，请尝试使用您的语音数据(或您的声音天赋)的customvoice.ai。

或者，你正在寻找的特殊“差异”是什么？