语音合成（TTS)论文优选：ByteSing: A Chinese Singing Voice Synthesis System Using Duration Allocated Encoder-De

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

ByteSing: A Chinese Singing Voice Synthesis System Using Duration Allocated Encoder-Decoder Acoustic Models and WaveRNN Vocoders

本篇文章是总部ai实验室在2020.04.23更新的文章，主要做音乐合成，具体的文章链接https://arxiv.org/pdf/2004.11012.pdf 该文章的demo

https://bytesings.github.io/paper1.html （听起来还不错）

1 背景

音乐合成是根据语言特征和音乐特征合成歌曲，歌唱合唱技术是人机交互的各种应用程序中不可缺少的基本组件，例如虚拟化身，语音助手和智能电子设备等等。同时，歌唱合成系统可以与其他生成任务（如自动歌词和旋律生成）结合使用。多模式技术，歌唱合成和乐曲合成的组合越来越受欢迎。因此，对高保真，高自然度，更准确的歌唱算法的期望在将来会越来越高。本文提出基于类似tacotron +wavernn方案的歌唱合唱方案ByteSing，效果还算不错。

2 详细系统设计

  图一展示了bytesing 系统的整体架构，该系统包含时长模型，声学模型和神经网络声码器。时长模型的输入为音素+音素类型+节奏和音符时长，