0. 说明
不同于speaker encoder的版本, 这个是one-hot版本
特性有
- 好训练
- 作者也推荐
1. 思路
为了和speaker encoder版本对应上, 只使用VCTK切分的seen的speaker训练
测试的时候, 只能够seen的speaker转seen-speaker
具体小方案为:
- 输出改为0, 1, 2, 3,4, 5....
- 使用seen_unseen.txt的行数-1来当作字典的值
代码, 略
2. 实验设置
2.1. 论文参数-版
默认版本, 名字叫AutoVC_one_hot, 严格按照论文参数
- dataloader随机取192, 3s
- 32降采样, 192 -> 6
- lstm 32 + 32
- 说话人 256
- 没有norm speaker, norm lstm, one-hot向量没有经过能量限制
- 剩下的都是512, 固定
- bs=64, 我自己定的
2.2. mywide-版
- dataloader随机取192, 3s
- 8降采样, 192 -> 24(论文的wide)
- lstm 256 + 256
- 说话人 256
- 没有norm speaker, norm lstm, one-hot向量没有经过能量