Skip to the content.

Abstract

Although Text-to-Speech (TTS) has made rapid progress in speech quality at sentence level, it still faces a lot of challenges in paragraph / long-form reading. Synthesizing sentence by sentence in a paragraph and then concatenating them together will cause inconsistent issues that affect paragraph-level expressiveness. While directly modelling all the sentences in a paragraph will incur large computation / memory cost. In this paper, we develop a TTS system called ContextSpeech, which models the contextual information in a paragraph for coherence and expressiveness without largely increasing the computation or memory cost. On the one hand, we introduce a memory-cached recurrence mechanism to let the current sentence see more history information both on the text and speech sides. On the other hand, we construct text-based semantic information in a hierarchical structure, which can broaden the horizon and incorporate the future information. Additionally, we use a linearized self-attention with compatible relative-position encoding to reduce the computation / memory cost. Experiments show that ContextSpeech significantly improves the paragraph-level voice quality and prosody expressiveness in terms of both subjective and objective evaluation metrics. Furthermore, ContextSpeech achieves better model efficiency in both training and inference stage.

Contents

Audio Samples

Recordings

TranscriptRecording
这世界上有千百种各式各样的死法儿,可你知道最恐怖的死法儿是哪一种吗?我知道……因为此时此刻,我就亲眼见识到了。咕噜噜……一个黑影儿滚到了我的脚下,虽然此刻周围的灯光昏暗阴森,我却依然能清楚的看到那是什么。那是我的同事姜开的脑袋……
看着姜开张大着嘴,死不瞑目的面容,我先是觉得脖子后面儿凉风嗖嗖直冒,脑门上也见了汗,紧接着,一阵反胃恶心的感觉便从胃里直冲嗓子眼。然而这个时候儿,那种感觉却一下子堵在了脖子里,我想要挪动一下步子,身体也根本无法动弹。

Paragraphs with normal sentence

TranscriptBaselineContextSpeech
看着姜开张大着嘴,死不瞑目的面容,我先是觉得脖子后面儿凉风嗖嗖直冒,脑门上也见了汗,紧接着,一阵反胃恶心的感觉便从胃里直冲嗓子眼。然而这个时候儿,那种感觉却一下子堵在了脖子里,我想要挪动一下步子,身体也根本无法动弹。

不管怎么样,她都在我完全没有准备的时候出现在了我的身边,手里拿着一个匕首就朝着我刺了过来,我根本没时间躲。下意识的,我抬起手就朝着红衣女人一拳打了过去。不过当我的拳头在半空飞行的时候儿,我却忽然想起一件事,那就是我身边的这个红衣女人,在力量上可是几乎可以与林千怡媲美的存在啊,和她们的力量比起来。我这一拳岂不是如同棉花一样软绵绵的一拳呐,不但不可能伤到对方,反而恐怕要激起对手的愤怒,而现在病房角落里,躺着的两个混混儿的尸体,恐怕就是我几秒钟之后的下场了。

车厢门口空荡荡的。只剩下原本要跳车的沈援朝几人,凭他们要拦住怪物看似不可能。怪物直冲过去,眼看就要跳离车厢,白发男暗叫一声大意了,跳起来一蹬车厢壁,借着这一蹬之力越过了满地的黑血,伸出短剑直奔怪物的后心,只可惜还是晚了一拍,怪物的双脚已经离地,眼瞅就能逃出车厢。

“当”的一声响,铁铲砍破了麻袋,响起了一阵金属相击才能产生的共鸣,一串火花闪过,铁铲被弹起老高。这一铲似乎起到了效果,麻袋的抖动停止了。还没等众人高兴起来,就听得“嘭”的一声,绑在麻袋上的四条牛皮武装带全部被崩开,麻袋也被撕得粉碎。

Paragraphs with extra-short sentence

TranscriptBaselineContextSpeech
踩着钢钉爬了十来米就看见了宋春雷说的山洞。 嘿! 入口就是个一人多高的缝隙。

莫特也反应过来,调转枪口打向胖子射击的位置。 哟呵! 枪声停止时,胖子大喝一声,双手捂头后退几步,对着被子弹打过的墙壁猛撞过去。

Paragraphs with extra-long sentence

TranscriptBaselineContextSpeech
在河谷边歇息的片刻,一行数十骑,再度动身,落下一地的烟尘,这个年轻的军官,名叫元徽,是幽州居庸关镇将,正六品的职位,他年纪却不过二十,策马奔腾间,元徽英俊的面上仍旧是一副从容像,但那双鹰一般眼睛中却流露出一丝迷离之意,他是个穿越者,到如今,穿越到这个世界,有近十年了,而这个世界,他早早地便知晓了,这是电视剧《神探狄仁杰》的世界,因为他有个极为厉害的父亲,元齐,当今天子女皇武亲封的颍王,江淮杀手组织铁手团的首领,元齐、铁手团、扬州……这些熟悉的人与事物,曾经带给了他极大的冲击,当年方魂降大唐之时,正处徐敬业造反时期,元徽是眼看着元齐积极逢迎当时临朝称制的太后武氏,凭着铁手团在江淮经营百年的势力,极为主动地配合朝廷平叛,立下大功,徐敬业覆灭之后,朝廷论功行赏,武氏竟然封元齐为颍王,而元徽自然而然地成为了颍王世子,元齐得以成为扬州最有权势的勋略,而因徐敬业之乱,江淮势力受波及,各方都损失惨重。