一、语音合成与自回归模型

一、语音合成与自回归模型

1 语音合成流程

​

• 在上述流程中，文本由TTS前端转化为音素，随后音素序列通过声学模型转化为Mel频谱，将Mel频谱输入到声码器中，最后由声码器将其转换为语音。其中Mel频谱由时间轴（横轴）与频率轴（纵轴）两部分组成，是一个二维数据。人听到的声音本质是一段波形，是由大量采样点形成的一维数据。
• 从Mel频谱到波形的过程中，需要声码器来完成频谱转换。目前常用的有基于信号处理的方法，如Griffin-Lim方法；也有基于神经网络的方法，如WaveNet、HiFiNet等

2 端到端语音合成

1. 自回归模型

• Tacotron 2 （Google Brain，2017）

  • Tacotron 2中的Encoder和Decoder层均采用双向LSTM（BLSTM）,其目的在于通过双向结构更好的吸收左右两个方向的信息。因为LSTM是一个自回归结构，因此需要吸收上一层的信息来生成下一层信息。

  • Tacotron 2中采用了Location Sensitive Attention作为注意力结构，能够同时考虑内容与输入元素的位置。该注意力机制中采用了累加注意力权重，令注意力权重网络了解其学到的注意力信息，从而使得模型在序列中持续运行并避免重复未预料的语音。

    

• Trans