TACONTRON: A Fully End-to-End Text-To-Speech Synthesis Model

Generate speech at the frame level

统计参数TTS:
    文本前端：提取语言特征
    声学特征预测模型
    基于信号处理的声音合成器

优点：
    减轻了复杂的工作
    可以应对复杂的条件和多种情况（语者，语种，情感）
    相较多阶段模型，鲁棒性更高

TTS：解压（文字->声音），输出是连续的，输出序列会比输入序列要长的多

Tacotron：端到端生成式TTS模型，基于seq2seq
                  输入：字符串
                  输出：声谱图（spectrogram）
                  转接入Griffin-Lim重建算法来合成语音

前人工作：
WaveNet：
    语音生成模型，慢（由于样本级的自回归）
    不是端到端的：需要由TTS前端产生的语言学特征作为条件

DeepVoice：
    将传统TTS流水线的每一个部分用对应的神经网络取代
    每一个部分独立训练

Wang's Work:
    最早使用seq2seq with attention做端到端的TTS
    需要一个预训练的HMM（Hidden Markov Model）校准器使seq2seq模型学会对齐
    训练模型时使用了小技巧
    需要一个声音合成器
    基于音素输入做训练，实验结果有限

Char2Wav：
    端到端模型
    seq2seq和SampleRNN需要分别预训练

    
模型结构：
核心：
    seq2seq model with attention
    Encoder
    Attention-based Decoder
    Post-processing Net

CBHG（modified model for machine translation）：
    1-D Conv