会议：2019 APSIPA
作者：ZHOUYI Li Haizhou
单位：新加坡国立
abstract
average modeling approach用一个低维度的speaker embedding和vc网络联合训练，可以达到many-to-many cross-lingual的效果。
base-model: vc+i-vector作为speaker embedding表示。
introduction
average model可以表示训练集说话人的average voice。但是需要adaptive step for new target speaker。
adaptation 的三种经典方法：
（1）average model用新的说话人的句子进行自适应，但是由于两种语言之间的gap，会有较大的失真。
（2）用i-vector拼接在输入特征上，网络学习说话人独立的特征映射。但是i-vector提取的模型是单独的sv loss，没有和vc model联合训练。
（3）deep voice2: trainable speaker embedding+TTS联合训练，模型可以学到seen speaker的能力。
本文提出：speaker embedding+vc联合训练。声学特征通过一个辅助的网络的得到speaker embedding。
i-vector based vc
The training stage and conversion stage of the cross-lingual voice conversion system with the average model conditioned on i-vector.
vc with jointly trained speaker embedding
voice conversion的网络把ppgs转换成MCC，辅助的一个speaker embedding网络，输入同一个人一句话的MCC（不一定来自同一句话，最好不是），提取到定长的speaker embedding，然后repeat+拼接在ppgs编码后的latent embedding上。
因为speaker embedding的网络和文本无关，只是从MCC中提取说话人身份信息，因此可以适用于cross-lingual的转换中。
experiment
训练和测试的数据选取：一共男en-16, mandarin-16,女en-16， mandarin-16。
ppgs: 341-bilingual-ppgs
