Multi-sample Synthetic Supervision for Accent Conversion

提出多样本合成监督框架，通过联合评估候选波形的目标口音实现与源说话人保持，构建口音条件自回归适应的离散语音码目标。相较每训练样本使用一个生成目标，口音分类准确率提升2.49个百分点，说话人相似度基本不变，词错误率增加0.29个百分点；在六种目标口音上达到7.81% WER和最高平均听感评分。