Multi-modal adversarial training for zero-shot voice cloning

Abstract

Example systems and methods for multi-modal adversarial training for zero-shot voice cloning are provided. A Multi-modal Fusion Discriminator with a Transformer encoder-decoder conditionally discriminates between real and generated speech features. The discriminator is used in a Multi-feature Generative Adversarial Training pipeline. It improves the quality of both acoustic features and prosodic features resulting in natural and expressive speech.

Description

MULTI-MODAL ADVERSARIAL TRAINING FOR ZERO-SHOT VOICE CLONINGFIELD

[0001] The present application generally relates to text-to-speech technologies, and more specifically relates to multi-modal adversarial training for zero-shot voice cloning.BRIEF DESCRIPTION OF THE DRAWINGS

[0002] The accompanying drawings, which are incorporated into and constitute a part of this specification, illustrate one or more certain examples and, together with the description of the example, serve to explain the principles and implementations of the certain examples.

[0003] Figure 1 shows an example system that provides chat and videoconferencing functionalities to various client devices;

[0004] Figure 2 shows an example system in which a chat and video conference provider provides chat and videoconferencing functionalities to various client devices;

[0005] Figure 3 shows an example system for establishing a virtual communication session;

[0006] Figure 4 illustrates an overall training framework;

[0007] Figure 5 illustrates a proposed transformer-based encoder-decoder discriminator model; and

[0008] Figure 6 shows an example computing device suitable for use with example systems and methods for fine-tuning a multilingual LLM or using a fine-tuned multilingual LLM to generate an output according to this disclosure.DETAILED DESCRIPTION

[0009] Examples are described herein in the context of multi-modal adversarial training for zero-shot voice cloning. Those of ordinary skill in the art will realize that the following description is illustrative only and is not intended to be in any way limiting. Reference will now be made in detail to implementations of examples as illustrated in the accompanying drawings. The same reference indicators will be used throughout the drawings and the following description to refer to the same or like items.

[0010] In the interest of clarity, not all of the routine features of the examples described herein are shown and described. It will, of course, be appreciated that in the development of any such actual implementation, numerous implementation-specific decisions must be made in order to achieve the developer’s specific goals, such as compliance with application-and business-related constraints, and that these specific goals will vary from one implementation to another and from one developer to another.

[0011] The goal of text-to-speech (TTS) is to generate human-like speech from a given text input. Neural networks have been shown to advance the state of the art in TTS by synthesizing speech that nearly matches the naturalness of human speech. Recently, there has been an interest in extending neural TTS with advanced features such as zero-shot voice cloning. The purpose of this feature is to allow the TTS to synthesize speech in the voice of a target speaker. These zero-shot systems implement voice cloning by encoding speech from a short reference audio, and does not require any additional training or fine-tuning, which is required by few-shot systems. However, the neural network needs to extrapolate to unseen speakers and there is still a quality gap between zero-shot and few-shot systems. One of the core problems in achieving natural and expressive neural TTS is the one-to-many mapping between text and speech. TTS models trained with a reconstruction loss tend to predict the expected value which can cause TTS systems to make over-smooth predictions that are close to the average behavior of the dataset rather than capturing the diversity of human speech.

[0012] The present disclosure uses a generative adversarial network (GAN) to mitigate the one-to-many mapping problem. A TTS acoustic model can be considered as a generator, which produces both acoustic features and prosodic features. A separate discriminator model is trained to distinguish between the synthesized features and the ground truth features. As the discriminator learns to differentiate real data from synthetic data, it can then be used to guide the optimization of the synthetic data with an adversarial loss so that the generated features better match the distribution of real data. This can reduce the over-smoothing problem in TTS systems.

[0013] A transformer-based encoder-decoder discriminator is proposed to conditionally discriminate TTS features using Multi-modal Fusion. The encoder part takes input text information and speaker information, while the decoder  part takes input feature information to be discriminated and predicts the authenticity of the feature information. By adopting this approach, it can assist the discriminator in evaluating acoustic features more comprehensively, thereby enhancing the diversity of acoustic features.

[0014] A Multi-feature Generative Adversarial Training pipeline uses the transformer-based encoder-decoder discriminator to train an TTS model in order to enhance both acoustic and prosodic features for natural and expressive TTS. The discriminator uses the text and speaker embedding as conditional inputs to determine whether the TTS features are real or fake. Two separate transformers can be used to discriminate against acoustic features and prosodic features separately. Experiments with a large multi-speaker dataset (e.g., 50,000 hours) to produce high quality and expressive zero-shot voice cloning are conducted with a light-weight model that can run in real-time on a central processing unit (CPU) of a computing device.

[0015] The proposed technique is capable of training an acoustic model to produce diverse, expressive, and natural sounding speech because of its ability to discriminate if the model matches the linguistic and speaker dependent characteristics of the synthesized speech. The proposed techniques makes significant improvements to an acoustic model over a baseline model on the task of zero-shot voice cloning. During inference there is no additional complexity or latency. The trained model can be deployed on a CPU with real-time performance. The proposed technique enables high quality zero-shot voice cloning for applications where latency and resources are constrained.

[0016] This illustrative example is given to introduce the reader to the general subject matter discussed herein and the disclosure is not limited to this example. The following sections describe various additional non-limiting examples and examples of multi-modal adversarial training for zero-shot voice cloning.

[0017] Referring now to Figure 1, Figure 1 shows an example system 100 that provides videoconferencing functionality to various client devices. The system 100 includes a chat and video conference provider 110 that is connected to multiple communication networks 120, 130, through which various client devices 140-180 can participate in video conferences hosted by the chat and video conference provider 110. For example, the chat and video conference provider 110 can be located within a private network to provide video conferencing services to  devices within the private network, or it can be connected to a public network, e.g., the internet, so it may be accessed by anyone. Some examples may even provide a hybrid model in which a chat and video conference provider 110 may supply components to enable a private organization to host private internal video conferences or to connect its system to the chat and video conference provider 110 over a public network.

[0018] The system optionally also includes one or more authentication and authorization providers, e.g., authentication and authorization provider 115, which can provide authentication and authorization services to users of the client devices 140-160. Authentication and authorization provider 115 may authenticate users to the chat and video conference provider 110 and manage user authorization for the various services provided by chat and video conference provider 110. In this example, the authentication and authorization provider 115 is operated by a different entity than the chat and video conference provider 110, though in some examples, they may be the same entity.

[0019] Chat and video conference provider 110 allows clients to create videoconference meetings (or "meetings" ) and invite others to participate in those meetings as well as perform other related functionality, such as recording the meetings, generating transcripts from meeting audio, generating summaries and translations from meeting audio, manage user functionality in the meetings, enable text messaging during the meetings, create and manage breakout rooms from the virtual meeting, etc. Figure 2, described below, provides a more detailed description of the architecture and functionality of the chat and video conference provider 110. It should be understood that the term "meeting" encompasses the term "webinar" used herein.

[0020] Meetings in this example chat and video conference provider 110 are provided in virtual rooms to which participants are connected. The room in this context is a construct provided by a server that provides a common point at which the various video and audio data is received before being multiplexed and provided to the various participants. While a "room" is the label for this concept in this disclosure, any suitable functionality that enables multiple participants to participate in a common videoconference may be used.

[0021] To create a meeting with the chat and video conference provider 110, a user may contact the chat and video conference provider 110 using a client device 140-180 and select an option to create a new meeting. Such an option may  be provided in a webpage accessed by a client device 140-160 or a client application executed by a client device 140-160. For telephony devices, the user may be presented with an audio menu that they may navigate by pressing numeric buttons on their telephony device. To create the meeting, the chat and video conference provider 110 may prompt the user for certain information, such as a date, time, and duration for the meeting, a number of participants, a type of encryption to use, whether the meeting is confidential or open to the public, etc. After receiving the various meeting settings, the chat and video conference provider may create a record for the meeting and generate a meeting identifier and, in some examples, a corresponding meeting password or passcode (or other authentication information) , all of which meeting information is provided to the meeting host.

[0022] After receiving the meeting information, the user may distribute the meeting information to one or more users to invite them to the meeting. To begin the meeting at the scheduled time (or immediately, if the meeting was set for an immediate start) , the host provides the meeting identifier and, if applicable, corresponding authentication information (e.g., a password or passcode) . The video conference system then initiates the meeting and may admit users to the meeting. Depending on the options set for the meeting, the users may be admitted immediately upon providing the appropriate meeting identifier (and authentication information, as appropriate) , even if the host has not yet arrived, or the users may be presented with information indicating that the meeting has not yet started, or the host may be required to specifically admit one or more of the users.

[0023] During the meeting, the participants may employ their client devices 140-180 to capture audio or video information and stream that information to the chat and video conference provider 110. They also receive audio or video information from the chat and video conference provider 110, which is displayed by the respective client device 140 to enable the various users to participate in the meeting.

[0024] At the end of the meeting, the host may select an option to terminate the meeting, or it may terminate automatically at a scheduled end time or after a predetermined duration. When the meeting terminates, the various participants are disconnected from the meeting, and they will no longer receive audio or video streams for the meeting (and will stop transmitting audio  or video streams) . The chat and video conference provider 110 may also invalidate the meeting information, such as the meeting identifier or password / passcode.

[0025] To provide such functionality, one or more client devices 140-180 may communicate with the chat and video conference provider 110 using one or more communication networks, such as network 120 or the public switched telephone network ( "PSTN" ) 130. The client devices 140-180 may be any suitable computing or communication devices that have audio or video capability. For example, client devices 140-160 may be conventional computing devices, such as desktop or laptop computers having processors and computer-readable media, connected to the chat and video conference provider 110 using the internet or other suitable computer network. Suitable networks include the internet, any local area network ( "LAN" ) , metro area network ( "MAN" ) , wide area network ( "WAN" ) , cellular network (e.g., 3G, 4G, 4G LTE, 5G, etc. ) , or any combination of these. Other types of computing devices may be used instead or as well, such as tablets, smartphones, and dedicated video conferencing equipment. Each of these devices may provide both audio and video capabilities and may enable one or more users to participate in a video conference meeting hosted by the chat and video conference provider 110.

[0026] In addition to the computing devices discussed above, client devices 140-180 may also include one or more telephony devices, such as cellular telephones (e.g., cellular telephone 170) , internet protocol ( "IP" ) phones (e.g., telephone 180) , or conventional telephones. Such telephony devices may allow a user to make conventional telephone calls to other telephony devices using the PSTN, including the chat and video conference provider 110. It should be appreciated that certain computing devices may also provide telephony functionality and may operate as telephony devices. For example, smartphones typically provide cellular telephone capabilities and thus may operate as telephony devices in the example system 100 shown in Figure 1. In addition, conventional computing devices may execute software to enable telephony functionality, which may allow the user to make and receive phone calls, e.g., using a headset and microphone. Such software may communicate with a PSTN gateway to route the call from a computer network to the PSTN. Thus, telephony devices encompass any devices that can make conventional telephone calls and are not limited solely to dedicated telephony devices like conventional telephones.

[0027] Referring again to client devices 140-160, these devices 140-160 contact the chat and video conference provider 110 using network 120 and may provide information to the chat and video conference provider 110 to access functionality provided by the chat and video conference provider 110, such as access to create new meetings or join existing meetings. To do so, the client devices 140-160 may provide user authentication information, meeting identifiers, meeting passwords or passcodes, etc. In examples that employ an authentication and authorization provider 115, a client device, e.g., client devices 140-160, may operate in conjunction with an authentication and authorization provider 115 to provide authentication and authorization information or other user information to the chat and video conference provider 110.

[0028] An authentication and authorization provider 115 may be any entity trusted by the chat and video conference provider 110 that can help authenticate a user to the chat and video conference provider 110 and authorize the user to access the services provided by the chat and video conference provider 110. For example, a trusted entity may be a server operated by a business or other organization with whom the user has created an account, including authentication and authorization information, such as an employer or trusted third-party. The user may sign into the authentication and authorization provider 115, such as by providing a username and password, to access their account information at the authentication and authorization provider 115. The account information includes information established and maintained at the authentication and authorization provider 115 that can be used to authenticate and facilitate authorization for a particular user, irrespective of the client device they may be using. An example of account information may be an email account established at the authentication and authorization provider 115 by the user and secured by a password or additional security features, such as single sign-on, hardware tokens, two-factor authentication, etc. However, such account information may be distinct from functionality such as email. For example, a health care provider may establish accounts for its patients. And while the related account information may have associated email accounts, the account information is distinct from those email accounts.

[0029] Thus, a user's account information relates to a secure, verified set of information that can be used to authenticate and provide authorization services for a particular user and should be accessible only by that user. By  properly authenticating, the associated user may then verify themselves to other computing devices or services, such as the chat and video conference provider 110. The authentication and authorization provider 115 may require the explicit consent of the user before allowing the chat and video conference provider 110 to access the user's account information for authentication and authorization purposes.

[0030] Once the user is authenticated, the authentication and authorization provider 115 may provide the chat and video conference provider 110 with information about services the user is authorized to access. For instance, the authentication and authorization provider 115 may store information about user roles associated with the user. The user roles may include collections of services provided by the chat and video conference provider 110 that users assigned to those user roles are authorized to use. Alternatively, more or less granular approaches to user authorization may be used.

[0031] When the user accesses the chat and video conference provider 110 using a client device, the chat and video conference provider 110 communicates with the authentication and authorization provider 115 using information provided by the user to verify the user's account information. For example, the user may provide a username or cryptographic signature associated with an authentication and authorization provider 115. The authentication and authorization provider 115 then either confirms the information presented by the user or denies the request. Based on this response, the chat and video conference provider 110 either provides or denies access to its services, respectively.

[0032] For telephony devices, e.g., client devices 170-180, the user may place a telephone call to the chat and video conference provider 110 to access video conference services. After the call is answered, the user may provide information regarding a video conference meeting, e.g., a meeting identifier ( "ID" ) , a passcode or password, etc., to allow the telephony device to join the meeting and participate using audio devices of the telephony device, e.g., microphone (s) and speaker (s) , even if video capabilities are not provided by the telephony device.

[0033] Because telephony devices typically have more limited functionality than conventional computing devices, they may be unable to provide certain information to the chat and video conference provider 110. For example, telephony devices may be unable to provide authentication information  to authenticate the telephony device or the user to the chat and video conference provider 110. Thus, the chat and video conference provider 110 may provide more limited functionality to such telephony devices. For example, the user may be permitted to join a meeting after providing meeting information, e.g., a meeting identifier and passcode, but only as an anonymous participant in the meeting. This may restrict their ability to interact with the meetings in some examples, such as by limiting their ability to speak in the meeting, hear or view certain content shared during the meeting, or access other meeting functionality, such as joining breakout rooms or engaging in text chat with other participants in the meeting.

[0034] It should be appreciated that users may choose to participate in meetings anonymously and decline to provide account information to the chat and video conference provider 110, even in cases where the user could authenticate and employs a client device capable of authenticating the user to the chat and video conference provider 110. The chat and video conference provider 110 may determine whether to allow such anonymous users to use services provided by the chat and video conference provider 110. Anonymous users, regardless of the reason for anonymity, may be restricted as discussed above with respect to users employing telephony devices, and in some cases may be prevented from accessing certain meetings or other services, or may be entirely prevented from accessing the chat and video conference provider 110.

[0035] Referring again to chat and video conference provider 110, in some examples, it may allow client devices 140-160 to encrypt their respective video and audio streams to help improve privacy in their meetings. Encryption may be provided between the client devices 140-160 and the chat and video conference provider 110 or it may be provided in an end-to-end configuration where multimedia streams (e.g., audio or video streams) transmitted by the client devices 140-160 are not decrypted until they are received by another client device 140-160 participating in the meeting. Encryption may also be provided during only a portion of a communication, for example encryption may be used for otherwise unencrypted communications that cross international borders.

[0036] Client-to-server encryption may be used to secure the communications between the client devices 140-160 and the chat and video conference provider 110, while allowing the chat and video conference provider 110 to access the decrypted multimedia streams to perform certain processing,  such as recording the meeting for the participants or generating transcripts of the meeting for the participants. End-to-end encryption may be used to keep the meeting entirely private to the participants without any worry about a chat and video conference provider 110 having access to the substance of the meeting. Any suitable encryption methodology may be employed, including key-pair encryption of the streams. For example, to provide end-to-end encryption, the meeting host's client device may obtain public keys for each of the other client devices participating in the meeting and securely exchange a set of keys to encrypt and decrypt multimedia content transmitted during the meeting. Thus, the client devices 140-160 may securely communicate with each other during the meeting. Further, in some examples, certain types of encryption may be limited by the types of devices participating in the meeting. For example, telephony devices may lack the ability to encrypt and decrypt multimedia streams. Thus, while encrypting the multimedia streams may be desirable in many instances, it is not required as it may prevent some users from participating in a meeting.

[0037] By using the example system shown in Figure 1, users can create and participate in meetings using their respective client devices 140-180 via the chat and video conference provider 110. Further, such a system enables users to use a wide variety of different client devices 140-180 from traditional standards-based video conferencing hardware to dedicated video conferencing equipment to laptop or desktop computers to handheld devices to legacy telephony devices. etc.

[0038] Referring now to Figure 2, Figure 2 shows an example system 200 in which a chat and video conference provider 210 provides videoconferencing functionality to various client devices 220-250. The client devices 220-250 include two conventional computing devices 220-230, dedicated equipment for a video conference room 240, and a telephony device 250. Each client device 220-250 communicates with the chat and video conference provider 210 over a communications network, such as the internet for client devices 220-240 or the PSTN for client device 250, generally as described above with respect to Figure 1. The chat and video conference provider 210 is also in communication with one or more authentication and authorization providers 215, which can authenticate various users to the chat and video conference provider 210 generally as described above with respect to Figure 1.

[0039] In this example, the chat and video conference provider 210 employs multiple different servers (or groups of servers) to provide different  examples of video conference functionality, thereby enabling the various client devices to create and participate in video conference meetings. The chat and video conference provider 210 uses one or more real-time media servers 212, one or more network services servers 214, one or more video room gateways 216, one or more message and presence gateways 217, and one or more telephony gateways 218. Each of these servers 212-218 is connected to one or more communications networks to enable them to collectively provide access to and participation in one or more video conference meetings to the client devices 220-250.

[0040] The real-time media servers 212 provide multiplexed multimedia streams to meeting participants, such as the client devices 220-250 shown in Figure 2. While video and audio streams typically originate at the respective client devices, they are transmitted from the client devices 220-250 to the chat and video conference provider 210 via one or more networks where they are received by the real-time media servers 212. The real-time media servers 212 determine which protocol is optimal based on, for example, proxy settings and the presence of firewalls, etc. For example, the client device might select among UDP, TCP, TLS, or HTTPS for audio and video and UDP for content screen sharing.

[0041] The real-time media servers 212 then multiplex the various video and audio streams based on the target client device and communicate multiplexed streams to each client device. For example, the real-time media servers 212 receive audio and video streams from client devices 220-240 and only an audio stream from client device 250. The real-time media servers 212 then multiplex the streams received from devices 230-250 and provide the multiplexed stream to client device 220. The real-time media servers 212 are adaptive, for example, reacting to real-time network and client changes, in how they provide these streams. For example, the real-time media servers 212 may monitor parameters such as a client's bandwidth CPU usage, memory and network I / O as well as network parameters such as packet loss, latency and jitter to determine how to modify the way in which streams are provided.

[0042] The client device 220 receives the stream, performs any decryption, decoding, and demultiplexing on the received streams, and then outputs the audio and video using the client device's video and audio devices. In this example, the real-time media servers do not multiplex client device 220's own  video and audio feeds when transmitting streams to it. Instead, each client device 220-250 only receives multimedia streams from other client devices 220-250. For telephony devices that lack video capabilities, e.g., client device 250, the real-time media servers 212 only deliver multiplex audio streams. The client device 220 may receive multiple streams for a particular communication, allowing the client device 220 to switch between streams to provide a higher quality of service.

[0043] In addition to multiplexing multimedia streams, the real-time media servers 212 may also decrypt incoming multimedia stream in some examples. As discussed above, multimedia streams may be encrypted between the client devices 220-250 and the chat and video conference provider 210. In some such examples, the real-time media servers 212 may decrypt incoming multimedia streams, multiplex the multimedia streams appropriately for the various clients, and encrypt the multiplexed streams for transmission.

[0044] As mentioned above with respect to Figure 1, the chat and video conference provider 210 may provide certain functionality with respect to unencrypted multimedia streams at a user's request. For example, the meeting host may be able to request that the meeting be recorded or that a transcript of the audio streams be prepared, which may then be performed by the real-time media servers 212 using the decrypted multimedia streams, or the recording or transcription functionality may be off-loaded to a dedicated server (or servers) , e.g., cloud recording servers, for recording the audio and video streams. In some examples, the chat and video conference provider 210 may allow a meeting participant to notify it of inappropriate behavior or content in a meeting. Such a notification may trigger the real-time media servers to 212 record a portion of the meeting for review by the chat and video conference provider 210. Still other functionality may be implemented to take actions based on the decrypted multimedia streams at the chat and video conference provider, such as monitoring video or audio quality, adjusting or changing media encoding mechanisms, etc.

[0045] It should be appreciated that multiple real-time media servers 212 may be involved in communicating data for a single meeting and multimedia streams may be routed through multiple different real-time media servers 212. In addition, the various real-time media servers 212 may not be co-located, but instead may be located at multiple different geographic locations, which may enable high-quality communications between clients that are dispersed over wide  geographic areas, such as being located in different countries or on different continents. Further, in some examples, one or more of these servers may be co-located on a client's premises, e.g., at a business or other organization. For example, different geographic regions may each have one or more real-time media servers 212 to enable client devices in the same geographic region to have a high-quality connection into the chat and video conference provider 210 via local servers 212 to send and receive multimedia streams, rather than connecting to a real-time media server located in a different country or on a different continent. The local real-time media servers 212 may then communicate with physically distant servers using high-speed network infrastructure, e.g., internet backbone network (s) , that otherwise might not be directly available to client devices 220-250 themselves. Thus, routing multimedia streams may be distributed throughout the video conference system and across many different real-time media servers 212.

[0046] Turning to the network services servers 214, these servers 214 provide administrative functionality to enable client devices to create or participate in meetings, send meeting invitations, create or manage user accounts or subscriptions, and other related functionality. Further, these servers may be configured to perform different functionalities or to operate at different levels of a hierarchy, e.g., for specific regions or localities, to manage portions of the chat and video conference provider under a supervisory set of servers. When a client device 220-250 accesses the chat and video conference provider 210, it will typically communicate with one or more network services servers 214 to access their account or to participate in a meeting.

[0047] When a client device 220-250 first contacts the chat and video conference provider 210 in this example, it is routed to a network services server 214. The client device may then provide access credentials for a user, e.g., a username and password or single sign-on credentials, to gain authenticated access to the chat and video conference provider 210. This process may involve the network services servers 214 contacting an authentication and authorization provider 215 to verify the provided credentials. Once the user's credentials have been accepted, and the user has consented, the network services servers 214 may perform administrative functionality, like updating user account information, if the user has account information stored with the chat and video conference provider 210, or scheduling a new meeting, by interacting with the network  services servers 214. Authentication and authorization provider 215 may be used to determine which administrative functionality a given user may access according to assigned roles, permissions, groups, etc.

[0048] In some examples, users may access the chat and video conference provider 210 anonymously. When communicating anonymously, a client device 220-250 may communicate with one or more network services servers 214 but only provide information to create or join a meeting, depending on what features the chat and video conference provider allows for anonymous users. For example, an anonymous user may access the chat and video conference provider using client device 220 and provide a meeting ID and passcode. The network services server 214 may use the meeting ID to identify an upcoming or on-going meeting and verify the passcode is correct for the meeting ID. After doing so, the network services server (s) 214 may then communicate information to the client device 220 to enable the client device 220 to join the meeting and communicate with appropriate real-time media servers 212.

[0049] In cases where a user wishes to schedule a meeting, the user (anonymous or authenticated) may select an option to schedule a new meeting and may then select various meeting options, such as the date and time for the meeting, the duration for the meeting, a type of encryption to be used, one or more users to invite, privacy controls (e.g., not allowing anonymous users, preventing screen sharing, manually authorize admission to the meeting, etc. ) , meeting recording options, etc. The network services servers 214 may then create and store a meeting record for the scheduled meeting. When the scheduled meeting time arrives (or within a threshold period of time in advance) , the network services server (s) 214 may accept requests to join the meeting from various users.

[0050] To handle requests to join a meeting, the network services server (s) 214 may receive meeting information, such as a meeting ID and passcode, from one or more client devices 220-250. The network services server (s) 214 locate a meeting record corresponding to the provided meeting ID and then confirm whether the scheduled start time for the meeting has arrived, whether the meeting host has started the meeting, and whether the passcode matches the passcode in the meeting record. If the request is made by the host, the network services server (s) 214 activates the meeting and connects the host to a real-time  media server 212 to enable the host to begin sending and receiving multimedia streams.

[0051] Once the host has started the meeting, subsequent users requesting access will be admitted to the meeting if the meeting record is located and the passcode matches the passcode supplied by the requesting client device 220-250. In some examples additional access controls may be used as well. But if the network services server (s) 214 determines to admit the requesting client device 220-250 to the meeting, the network services server 214 identifies a real-time media server 212 to handle multimedia streams to and from the requesting client device 220-250 and provides information to the client device 220-250 to connect to the identified real-time media server 212. Additional client devices 220-250 may be added to the meeting as they request access through the network services server (s) 214.

[0052] After joining a meeting, client devices will send and receive multimedia streams via the real-time media servers 212, but they may also communicate with the network services servers 214 as needed during meetings. For example, if the meeting host leaves the meeting, the network services server (s) 214 may appoint another user as the new meeting host and assign host administrative privileges to that user. Hosts may have administrative privileges to allow them to manage their meetings, such as by enabling or disabling screen sharing, muting or removing users from the meeting, assigning or moving users to the mainstage or a breakout room if present, recording meetings, etc. Such functionality may be managed by the network services server (s) 214.

[0053] For example, if a host wishes to remove a user from a meeting, they may select a user to remove and issue a command through a user interface on their client device. The command may be sent to a network services server 214, which may then disconnect the selected user from the corresponding real-time media server 212. If the host wishes to remove one or more participants from a meeting, such a command may also be handled by a network services server 214, which may terminate the authorization of the one or more participants for joining the meeting.

[0054] In addition to creating and administering on-going meetings, the network services server (s) 214 may also be responsible for closing and tearing-down meetings once they have been completed. For example, the meeting host may issue a command to end an on-going meeting, which is sent to a network  services server 214. The network services server 214 may then remove any remaining participants from the meeting, communicate with one or more real time media servers 212 to stop streaming audio and video for the meeting, and deactivate, e.g., by deleting a corresponding passcode for the meeting from the meeting record, or delete the meeting record (s) corresponding to the meeting. Thus, if a user later attempts to access the meeting, the network services server (s) 214 may deny the request.

[0055] Depending on the functionality provided by the chat and video conference provider, the network services server (s) 214 may provide additional functionality, such as by providing private meeting capabilities for organizations, special types of meetings (e.g., webinars) , etc. Such functionality may be provided according to various examples of video conferencing providers according to this description.

[0056] Referring now to the video room gateway servers 216, these servers 216 provide an interface between dedicated video conferencing hardware, such as may be used in dedicated video conferencing rooms. Such video conferencing hardware may include one or more cameras and microphones and a computing device designed to receive video and audio streams from each of the cameras and microphones and connect with the chat and video conference provider 210. For example, the video conferencing hardware may be provided by the chat and video conference provider to one or more of its subscribers, which may provide access credentials to the video conferencing hardware to use to connect to the chat and video conference provider 210.

[0057] The video room gateway servers 216 provide specialized authentication and communication with the dedicated video conferencing hardware that may not be available to other client devices 220-230, 250. For example, the video conferencing hardware may register with the chat and video conference provider when it is first installed and the video room gateway may authenticate the video conferencing hardware using such registration as well as information provided to the video room gateway server (s) 216 when dedicated video conferencing hardware connects to it, such as device ID information, subscriber information, hardware capabilities, hardware version information etc. Upon receiving such information and authenticating the dedicated video conferencing hardware, the video room gateway server (s) 216 may interact with the network services servers 214 and real-time media servers 212 to allow the  video conferencing hardware to create or join meetings hosted by the chat and video conference provider 210.

[0058] Referring now to the telephony gateway servers 218, these servers 218 enable and facilitate telephony devices'participation in meetings hosted by the chat and video conference provider 210. Because telephony devices communicate using the PSTN and not using computer networking protocols, such as TCP / IP, the telephony gateway servers 218 act as an interface that converts between the PSTN, and the networking system used by the chat and video conference provider 210.

[0059] For example, if a user uses a telephony device to connect to a meeting, they may dial a phone number corresponding to one of the chat and video conference provider's telephony gateway servers 218. The telephony gateway server 218 will answer the call and generate audio messages requesting information from the user, such as a meeting ID and passcode. The user may enter such information using buttons on the telephony device, e.g., by sending dual-tone multi-frequency ( "DTMF" ) audio streams to the telephony gateway server 218. The telephony gateway server 218 determines the numbers or letters entered by the user and provides the meeting ID and passcode information to the network services servers 214, along with a request to join or start the meeting, generally as described above. Once the telephony client device 250 has been accepted into a meeting, the telephony gateway server is instead joined to the meeting on the telephony device's behalf.

[0060] After joining the meeting, the telephony gateway server 218 receives an audio stream from the telephony device and provides it to the corresponding real-time media server 212 and receives audio streams from the real-time media server 212, decodes them, and provides the decoded audio to the telephony device. Thus, the telephony gateway servers 218 operate essentially as client devices, while the telephony device operates largely as an input / output device, e.g., a microphone and speaker, for the corresponding telephony gateway server 218, thereby enabling the user of the telephony device to participate in the meeting despite not using a computing device or video.

[0061] It should be appreciated that the components of the chat and video conference provider 210 discussed above are merely examples of such devices and an example architecture. Some video conference providers may provide more or less functionality than described above and may not separate functionality into  different types of servers as discussed above. Instead, any suitable servers and network architectures may be used according to different examples.

[0062] Referring now to Figure 3, Figure 3 shows an example system 300 for establishing a virtual communication session. In this example system 300, a communication platform 310 and a number of client device 340A-340N (which may be referred to herein individually as a client device 340 or collectively as the client devices 340) are connected via a network 320. The communication platform 310 can be any suitable communication platform, such as the chat and video conference provider 110 in Figure 1 or the chat and video conference provider 210 in Figure 2. The network 320 can be the internet or any suitable communications network or combination of communications network may be employed, including LANs (e.g., within a corporate private LAN) , WANs, MANs, cellular network (e.g., 3G, 4G, 4G LTE, 5G, etc. ) , or any combination of these.

[0063] The client devices 340 can be any suitable computing or communications device. The client device 340 can be a client device (e.g., 140, 150, 160, or 170) in Figure 1 or a client device (e.g., 220, 230, or 250) in Figure 2. For example, client devices 340 may be desktop computers, laptop computers, tablets, smart phones having processors and computer-readable media, connected to the communication platform 310 using the internet or other suitable computer network. The client devices 340 have communication software installed to enable them to connect to the communication platform 310 for chats, video conferences, emails, and any other suitable communications. For example, during a chat session, a user associated a client device (e.g., client device 340A) can interact with other users associated with other client devices (e.g., client device 340B-340N) via the communication platform 310 by sending and receiving chat messages, and reacting to received chat messages.

[0064] Text-to-Speech (TTS) is a one-to-many problem in which a text input can be spoken in many different ways depending on who is speaking and how they express it. A model trained to reconstruct speech given text tends towards predictions that are close to the average characteristics of a dataset, failing to model the range of speaker and prosodic variations that make human speech sound natural and expressive. This problem is magnified for zero-shot voice cloning, a task that requires training data with high variance in speakers and speaking styles. Recent efforts to improve TTS systems integrate intermediate prosodic features and use generative adversarial networks (GAN) .  We further propose a Multi-modal Fusion Discriminator with a Transformer encoder-decoder that conditionally discriminates between real and generated speech features. The discriminator is used in a Multi-feature Generative Adversarial Training pipeline which improves the quality of both acoustic features and prosodic features resulting in natural and expressive speech. We introduce our novel adversarial training technique by applying it to a FastSpeech2 acoustic model and training on Libriheavy, a large multi-speaker dataset, for the task of zero-shot voice cloning. Our model achieves improvements over the baseline, demonstrated by proxy metrics that correlate with speech quality and speaker similarity.

[0065] The goal of TTS is to generate human-like speech from a given text input. Neural networks have been shown to advance the state of the art in TTS by synthesizing speech that nearly matches the naturalness of human speech. Recently, there has been an interest in extending neural TTS with advanced features such as zero-shot voice cloning. The purpose of this feature is to allow the TTS to synthesize speech in the voice of a target speaker. These zero-shot systems implement voice cloning by encoding speech from a short reference audio, and does not require any additional training or fine-tuning unlike few-shot systems. It is a challenging problem, because the neural network must extrapolate to unseen speakers -and there is still a quality gap between zero-shot and few-shot systems.

[0066] One of the core problems in achieving natural and expressive neural TTS is the one-to-many mapping between text and speech. TTS models trained with a reconstruction loss tend to predict the expected value which can cause TTS systems to make over-smooth predictions that are close to the average behavior of the dataset rather than capturing the diversity of human speech. We hypothesize that part of the reason that there is a quality gap in zero-shot voice cloning, is that the large multi-speaker datasets used to train these models adds even more variance in this one-to-many mapping because of all the different voices and speaking styles in the dataset.

[0067] We first look at previous approaches which have been used to improve over-smooth TTS predictions. In some approaches, this one to many problem can be mitigated by conditioning the acoustic decoder on ground truth prosodic features which removes the amount of unknown variables in the one-to-many mapping. Building off of this, other works propose letting the model learn  to encode the relevant prosodic features. While these approaches alleviate the one-to-many mapping in the decoder, these hidden prosodic features must be predicted by the model which is yet another one-to-many mapping and during inference the resulting speech can still sound inexpressive in comparison to human speech especially when extended to a large number of speakers.

[0068] Other recent works have tried to change the training paradigm to improve the naturalness and expressiveness of TTS. For example, Diffusion based TTS models learn to denoise speech or de-noise prosodic features. Since these models learn to denoise in small steps, they don’ t have the same problems of systems which are trained to reconstruct speech in a single pass. However, it usually takes many denoising steps to produce high quality audio and these systems are too slow for some applications. Motivated by producing high quality audio without the resource constraints of Diffusion we explore other architectures.

[0069] In this paper we focus on using a generative adversarial network (GAN) to mitigate the one-to-many mapping problem. We consider our TTS acoustic model as the generator, which produces both acoustic features and prosodic features. A separate discriminator model is trained to distinguish between the synthesized features and the ground truth features. As the discriminator learns to differentiate real data from synthetic data, it can then be used to guide the optimization of the synthetic data with an adversarial loss so that the generated features better match the distribution of real data. This has previously been shown to reduce the over-smoothing problem in TTS systems.

[0070] In this paper we experiment with using a more expressive discriminator than previous techniques so that we can scale up the GAN-based training to address the quality gap that exists in zero-shot voice cloning TTS. In specific we choose a Transformer because it has been shown to have high performance when scaling up data and parameters. Our main contributions are as follows: (1) A novel design for a Transformer encoder-decoder discriminator which uses Multi-modal Fusion to conditionally discriminate TTS features; (2) A Multi-feature Generative Adversarial Training pipeline which uses our discriminator to enhance both acoustic and prosodic features for natural and expressive TTS; (3) Extensive experiments with a large multi-speaker dataset (50,000 hours) to produce high quality and expressive zero-shot voice cloning with a light-weight model that can run in real-time on a CPU.

[0071] To effectively address the issues of prosody smoothing and weak transferability caused by one-to-many mapping in TTS, this section will first provide a brief overview of the training framework. Subsequently, it will focus on introducing the innovations of this paper, including the Multi-modal Fusion Discriminator network and the Multi-Feature Generative Adversarial Training approach.

[0072] Training Framework

[0073] We train our TTS using a generative adversarial network. The discriminator is based on a Transformer and uses the text and speaker embedding as conditional inputs to determine whether the TTS features are real or fake. In our experiments we use two separate Transformers which discriminate against acoustic features and prosodic features separately.

[0074] The overall training framework of the model is illustrated in Figure 4, which follows a Generative Adversarial modeling approach. To address the issue of over-smooth synthesized acoustic features caused by the one-to-many mapping problem in the TTS task, we employ a discriminator to distinguish between the acoustic features predicted by the acoustic model and the ground truth acoustic features and an adversarial loss to guide the optimization of the acoustic feature parameters. It is worth mentioning that the utilization of a discriminator for adversarial training of the acoustic model has been proposed in some previous works. However, unlike prior approaches, we conduct in-depth analysis and experiments on the discriminator structure, proposing a Multimodal Fusion Discriminator Network and a Multi-feature Generative Adversarial Training approach to enhance the discriminator’s capability. This, in turn, improves the quality and transferability of the synthesized speech generated by the acoustic model when applied to the problem of zero-shot voice cloning.

[0075] Multi-modal Fusion Discriminator Network

[0076] The purpose of the discriminator is to encourage the acoustic model to generate more diverse information and avoid oversmoothing issues. However, solely judging the authenticity of acoustic features at the feature level may lead the discriminator to prioritize making the feature distribution as close as possible to that of real speech, overlooking the differentiation in semantic meaning, speaker identity, and contextual information. This is contradictory to the original intention of designing the discriminator to make the acoustic features as diverse as possible. Therefore, when determining the authenticity of acoustic features, it  is essential to consider not only the feature level but also incorporate additional modalities of prior information to aid discrimination.

[0077] For instance, contextual information can be leveraged, as the acoustic features of a frame depend on the semantic content of that frame’s speech. If semantic information is lost, judging solely from the acoustic feature level may result in identical acoustic features for different semantics, leading to a loss of differentiation. Additionally, speaker information serves as crucial prior knowledge for acoustic features. Without considering speaker information, the discriminator may only judge whether the acoustic features are smooth, but by incorporating speaker information, the discriminator can also learn the correlation between acoustic features and speakers, further enhancing the diversity of synthesized acoustic features.

[0078] Based on this analysis, this paper aims to integrate various prior information into the discriminator. Due to the varying dimensions of different modalities, we propose a Transformer-based encoder-decoder discriminator model, as illustrated in Figure 5. The encoder part takes input text information and speaker information, while the decoder part takes input feature information to be discriminated and predicts the authenticity of the feature information. By adopting this approach, it can assist the discriminator in evaluating acoustic features more comprehensively, thereby enhancing the diversity of acoustic features.

[0079] Multi-feature Generative Adversarial Training

[0080] In the previous section, we elaborated on enhancing the diversity of features predicted by the acoustic model by designing a discriminator with additional prior modalities. To further enhance the diversity of acoustic features, this paper conducts adversarial training on both acoustic and prosodic features. The overall training process is as follows. Assuming the acoustic features predicted by the acoustic model are denoted as ypre and the ground truth acoustic features are denoted as ygt, the optimization loss for the acoustic model is

[0081] where MAE is the mean absolute error. The optimization loss for the acoustic feature discriminator (this discriminator is denoted as D1) is:

[0082] This is based on a conditional hinge loss where text represents the text information input to the discriminator, while spk denotes the speaker representation. The discriminator is used to guide the optimization of the acoustic features using an adversarial loss

[0083] In addition to supervising the acoustic features, this paper also conducts adversarial training on the predicted prosodic features to address the potential issue of overly smooth prosodic features during inference. Let Ppre denote the prosodic features predicted by the acoustic model, and Pgt denote the corresponding ground truth prosodic features. Accordingly, the optimization loss for the acoustic model is

[0084] Where MSE is the mean squared error. The optimization loss for this prosodic feature discriminator is:

[0085] Where D2 represents the discriminator for the prosodic features. The acoustic model may have multiple prosodic features, such as pitch, energy, duration, and encoded prosodic embeddings. To avoid repetition, we use Ppre to represent all predicted prosody features. Also note that for prosody embeddings which are learned by the model, such as a prosody encoder, the embeddings encoded from ground truth audio are used as the ground truth prosody embeddings.

[0086] In summary, the total optimization loss for the acoustic model is

[0087] and for the total discriminator loss is given by:

[0088] Importantly, only the parameters for the acoustic model are updated for and only the parameters for the discriminators are updated for  since the two models have competing objectives.

[0089] Dataset details

[0090] In all of our experiments we use the Libriheavy and LibriTTS-R datasets. The Libriheavy large training subset contains 50,000 hours of speech to  provide our model with a diverse range of speaking styles. We notice that Libriheavy has transcription errors, especially with numeric text (e.g. unspoken page numbers and footnotes) , so we filter out all utterances containing numerals. This removes almost 7 percent of the data, but resolves an issue where the model would otherwise skip over digit-sequences during inference. Since we ideally want our model to be capable of producing studio quality speech, we also include the LibriTTS-R dataset which contains 500 hours of speech which has been restored to near studio-quality.

[0091] In all of our evaluations we use the LibriTTS-R test dataset for evaluating our performance on unseen speakers. The holdout datasets for Libriheavy and LibriTTS-R have been split so that the speakers in the test dataset have never been seen during training.

[0092] Model and training details

[0093] Our baseline model is based off of FastSpeech2 with the following modifications. Firstly, we add the prosody encoder from which we find is needed as pitch, energy, and duration do not adequately capture the differences in speaking style over our large training dataset. Secondly, we add a speaker encoder which has been pretrained on a speaker identification task and is frozen during training to enable zero-shot voice cloning. The acoustic model contains 45M parameters. We also use a HifiGAN vocoder to synthesize the FastSpeech2 spectrograms into 24kHz audio.

[0094] Our proposed discriminator model is an encoder-decoder Transformer with additional convolutional layers at the input. The hyper-parameters for our discriminator are shown in table 1. Note that the prosody discriminator has half the size of the acoustic discriminator. Note that the convolutional layers in the acoustic discriminator have a stride of 2 which causes downsampling of the features. We do this because we find we can reduce the memory constraint of our training without impacting the discriminators performance by reducing the sequence length of our audio frames prior to passing it to the acoustic decoder. Lastly, note that we use the ground truth duration to add a bias of 10 to the cross attention energies to guide the alignment of our discriminator and speed up convergence.

[0095] Table 1: Discriminator Hyperparameters

[0096] For all models, we train for 3 epochs using 8 H100 GPUs. We use a batch sampler which batches audio samples with similar lengths together to reduce padding and samples batches with a maximum of 8,000 audio frames per GPU.

[0097] We use the AdamW optimizer with a learning rate of 0.002, a weight decay of 0.01, β1 = 0.5 and β2 = 0.9. For the first epoch, the discriminators are trained to distinguish between synthetic and real data but the adversarial loss is not applied. The adversarial losses for the acoustic and prosody discriminator are added one by one in the second and third epoch respectively. We use a learning rate schedule and we restart the learning rate warm-up at the beginning of each epoch. The training schedule is setup this way because we notice that when an adversarial loss is introduced to the generator it can potentially cause the model to change too rapidly, so we take care to slowly introduce the influence of the adversarial loss.

[0098] Metrics

[0099] We use 3 objective metrics to evaluate the models audio quality, speaker similarity, and expressiveness respectively. The NISQA MOS metric uses a model which has been trained to predict human preference and has been shown to correlate with quality of speech when averaged over a sufficient number of samples. We also use a speaker similarity metric which takes the cosine similarity between speaker embeddings from the synthesized speech and the reference audio. For the speaker similarity metric we use an off the shelf speaker  encoder from speechbrain to extract speaker embeddings. We use a different separate speaker encoder for evaluation because we have noticed that speaker encoders tend to give higher scores when the acoustic model is trained on the same speaker encoder and we try to remove this bias. Lastly, we measure the pitch standard deviation to see how the variation in pitch compares between ground truth and synthesized examples as a proxy for how expressive the speech is.The pitch standard deviation is calculated for each utterance and then averaged across the test set -so that the variation is dominated by differences in pitch within the utterance rather than differences in pitch between different speakers.

[0100] Model evaluation and ablation studies

[0101] We first evaluate our GAN-based approach by comparing it directly against the baseline model and keeping all training parameters the same other than the introduction of the discriminator. As shown in table 2 the proposed model shows signif-icant performance improvements over the baseline model with higher NISQA MOS and Speaker Similarity scores. The pitch standard deviation is also closer to ground truth indicating that the prosody of the proposed model is more expressive.

[0102] Table 2: Evaluation of the proposed model on the task of synthesizing unseen speakers from the LibriTTS-R dataset.

[0103] Next we show several ablation studies to demonstrate the significance of each component of our discriminator. The results of the ablation studies are shown in table 3.

[0104] In the first ablation study we remove the conditions from the discriminator to show the effect of passing the text and speaker embedding to the discriminator. Since this ablation study removes the Transformer encoder entirely we increase the Transformer layers to match the parameter count of the encoder-decoder model for a more fair comparison. This experiment has worse  quality across all metrics showing the importance of the conditions for our Multi-model Fusion Discriminator network.

[0105] In the next ablation study we remove the speaker embedding from the Transformer discriminator and only condition on text. This experiment has worse overall quality showing the importance of the speaker embedding condition in our design.

[0106] We also run an ablation study where we only use the acoustic discriminator without the prosody discriminator. This model has an almost insignificant increase in speaker similarity, but the pitch standard deviation is much further from ground truth showing the importance of the prosody discriminator at encouraging expressive speech for our Multi-feature Generative Adversarial Training approach.

[0107] Finally we compare different Transformer architectures to explain the decisions behind our proposed design as shown in Table 4. For the encoder-only architecture we simply pass a concatenated sequence of features to the Transformer encoder. We do not consider a decoder-only architecture as we find that causal masking does not help for our training pipeline. We find that while the encoder-only architecture can also be used to improve over the baseline, the encoder-decoder architecture gives us better performance. We also compare a balanced architecture with 4 encoder layers and 4 decoder layers against a decoder-heavy architecture with 2 encoder layers and 6 decoder layers. We find that while the balanced architecture has a slightly better speaker similarity, the decoder-heavy model has significantly better NISQA MOS and pitch standard deviation. Because the decoder-heavy architecture performs the best overall we use this as our proposed design in all other experiments.

[0108] Table 3: Ablation tests studying the efect of discriminator conditions and features.

[0109] Table 4: Ablation tests comparing Transformer architectures.

[0110] In this work, we propose a Multi-modal Fusion Discriminator and Multi-feature Generative Adversarial Training. The proposed technique is capable of encouraging the acoustic model to producing diverse, expressive, and natural sounding speech because of its ability to discriminate if the model matches the linguistic and speaker dependent characteristics of the synthesized speech. We show that our proposed design makes significant improvements over a baseline model on the task of zero-shot voice cloning. We also run extensive ablation studies to demonstrate the significance of each of our design decisions.

[0111] One downside of the GAN-based approach is that it adds complexity to the training pipeline and care must be taken to ensure that the proposed approach converges. Nevertheless, during inference there is no additional complexity or latency and the proposed FastSpeech2 model can be deployed on a CPU with real-time performance. We hope that this work enables the high quality zero-shot voice cloning for applications where latency and resources are constrained.

[0112] Referring now to Figure 6, Figure 6 shows an example computing device 600 suitable for use in example systems or methods for fine-tuning a pre-trained multilingual LLM or using a fine-tuned multilingual LLM to generate an output according to this disclosure. The example computing device 600 includes a processor 610 which is in communication with the memory 620 and other components of the computing device 600 using one or more communications buses 602. The processor 610 is configured to execute processor-executable instructions stored in the memory 620 to perform one or more methods for multi-modal adversarial training for zero-shot voice cloning. In some embodiments, the computing device may include software 660 for executing one or more methods described herein for multi-modal adversarial training for zero-shot voice cloning. The computing device 600, in this example, also includes one or more user input devices 650, such as a keyboard, mouse, touchscreen, microphone, etc., to accept  user input. The computing device 600 also includes a display 640 to provide visual output to a user.

[0113] The computing device 600 also includes a communications interface 630. In some examples, the communications interface 630 may enable communications using one or more networks, including a local area network ( “LAN” ) ; wide area network ( “WAN” ) , such as the Internet; metropolitan area network ( “MAN” ) ; point-to-point or peer-to-peer connection; etc. Communication with other devices may be accomplished using any suitable networking protocol. For example, one suitable networking protocol may include the Internet Protocol ( “IP” ) , Transmission Control Protocol ( “TCP” ) , User Datagram Protocol ( “UDP” ) , or combinations thereof, such as TCP / IP or UDP / IP.

[0114] While some examples of methods and systems herein are described in terms of software executing on various machines, the methods and systems may also be implemented as specifically configured hardware, such as field-programmable gate array (FPGA) specifically to execute the various methods according to this disclosure. For example, examples can be implemented in digital electronic circuitry, or in computer hardware, firmware, software, or in a combination thereof. In one example, a device may include a processor or processors. The processor comprises a computer-readable medium, such as a random-access memory (RAM) coupled to the processor. The processor executes computer-executable program instructions stored in memory, such as executing one or more computer programs. Such processors may comprise a microprocessor, a digital signal processor (DSP) , an application-specific integrated circuit (ASIC) , field programmable gate arrays (FPGAs) , and state machines. Such processors may further comprise programmable electronic devices such as PLCs, programmable interrupt controllers (PICs) , programmable logic devices (PLDs) , programmable read-only memories (PROMs) , electronically programmable read-only memories (EPROMs or EEPROMs) , or other similar devices.

[0115] Such processors may comprise, or may be in communication with, media, for example one or more non-transitory computer-readable media, that may store processor-executable instructions that, when executed by the processor, can cause the processor to perform methods according to this disclosure as carried out, or assisted, by a processor. Examples of non-transitory computer-readable medium may include, but are not limited to, an electronic, optical, magnetic, or other storage device capable of providing a processor, such  as the processor in a web server, with processor-executable instructions. Other examples of non-transitory computer-readable media include, but are not limited to, a floppy disk, CD-ROM, magnetic disk, memory chip, ROM, RAM, ASIC, configured processor, all optical media, all magnetic tape or other magnetic media, or any other medium from which a computer processor can read. The processor, and the processing, described may be in one or more structures, and may be dispersed through one or more structures. The processor may comprise code to carry out methods (or parts of methods) according to this disclosure.

[0116] The foregoing description of some examples has been presented only for the purpose of illustration and description and is not intended to be exhaustive or to limit the disclosure to the precise forms disclosed. Numerous modifications and adaptations thereof will be apparent to those skilled in the art without departing from the spirit and scope of the disclosure.

[0117] Reference herein to an example or implementation means that a particular feature, structure, operation, or other characteristic described in connection with the example may be included in at least one implementation of the disclosure. The disclosure is not restricted to the particular examples or implementations described as such. The appearance of the phrases “in one example, ” “in an example, ” “in one implementation, ” or “in an implementation, ” or variations of the same in various places in the specification does not necessarily refer to the same example or implementation. Any particular feature, structure, operation, or other characteristic described in this specification in relation to one example or implementation may be combined with other features, structures, operations, or other characteristics described in respect of any other example or implementation.

[0118] Use herein of the word “or” is intended to cover inclusive and exclusive OR conditions. In other words, A or B or C includes any or all of the following alternative combinations as appropriate for a particular usage: A alone; B alone; C alone; A and B only; A and C only; B and C only; and A and B and C.

Claims

1.A method comprising:multi-modal adversarial training for zero-shot voice cloning as described in the detailed description.

Images