- interspeech202
- Korea University
- Ji-Hoon Kim
abstract
- 神经网络声码器在面对频率域真实谱和生成谱的不同时,会产生比如嘶嘶声,回声等噪音。
- 本文的Fre-GAN可以完成更高质量的合成:(1)提出resolution-connected generator和resolution-wise discriminator,有助于在多个频带中学习多样的谱分布。(2)在判别器中使用离散小波变换代替average pooling作为降采样的方法,因为DWT可以确保所有的信息被保留,而AP会洗掉一些高频的成分。
intro
- 该图证明降采样过程中使用DWT比AP损失的高频信息少。
Fre-GAN
Resolution-connected Generator(RCG)
- 生成器输入mel-spec,输出采样点,结构:上采样卷积,不同上采样率的top-K输出求和,得到最终预测的输出;通过使用Nearest Neighbor (NN) upsampler,可以消除上采样卷积带来的tonal artifacts;
- RCG结构的优点:(1)不同分辨率的波形求和可以捕捉不同层级的谱分布;有助于模型学到multi-frequency band的谱特征(2)RCG是一种渐进式学习的方法,先学习简单的,再学习难的,有助于模型训练加速和稳定。