声明:语音合成(TTS)论文优选系列主要分享论文,分享论文不做直接翻译,所写的内容主要是我对论文内容的概括和个人看法。如有转载,请标注来源。
欢迎关注微信公众号:低调奋进
VocGAN: A High-Fidelity Real-time Vocoder with a Hierarchically-nested Adversarial Network
本文章2020.07.30由韩国NCSOFT语音AI实验室发表,主要在声码器Melgan基础上提出的多刻度的声码器VocGan,解决了Melgan合成音质不高的问题,具体的文章链接
http://yqli.tech/pdf/tts_paper/VocGAN-%20A%20High-Fidelity%20Real-time%20Vocoder%20with%20a%20Hierarchically%20nested%20Adversarial%20Network.pdf
1 研究背景
现有的声码器自从wavnet被提出以来发生翻天覆地的变化,使合成的音质更加自然。然而wavenet的复杂度很高,无法满足实时系统需求。为解决wavenet问题提出了很多类别的声码器:parallel声码器,基于flow声码器和基于Gan的声码器。其中melgan是具有代表性的基于Gan的声码器,该声码器可以在单核Cpu上3倍实时率合成音频,但合成的音频质量下降。为了解决melGan存在的问题,本文提出了Vocgan,该声码器可以保持相同的合成实时率的条件下,大大提高合成的音频质量。
2 详细的系统设计
先看一下melgan的vocgan的大体架构,如图1所示,vocgan在每一步的生成器G的输出都存在辨别器D,此为多刻度生成器。多刻度的生成器如图2所示,生成器的输入为mel spectrogram,该特