Cet article propose le modèle d'efficacité de transformation computationnelle (CTEFM-VC) pour relever les défis liés à la sécurisation de la similarité et du naturel des locuteurs dans la conversion vocale à zéro coup (VC). Le CTEF-VC décompose la parole en contenu et en timbre et reconstruit le spectrogramme Mel de la parole source à l'aide d'un modèle de correspondance de flux conditionnel. Plus précisément, il introduit une modélisation d'ensemble de timbres sensible au contexte et une fonction de perte de timbre basée sur la similarité structurelle afin d'améliorer les performances de modélisation du naturel et du timbre de la parole générée. Un module d'attention croisée, intégrant de manière adaptative diverses intégrations de vérification du locuteur, exploite efficacement le contenu source et les éléments du timbre cible. Les résultats expérimentaux montrent que le CTEFM-VC surpasse significativement les systèmes de VC à zéro coup de pointe existants, atteignant des performances de pointe en matière de similarité, de naturel et d'intelligibilité des locuteurs.
