本文主要是介绍HiFi-GAN: Generative Adversarial Networks for Efficient and High Fidelity Speech Synthesis,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
会议:2020 NIPS
单位:韩国KAKAO
作者:Jungil Kong, Jaehyeon Kim
文章主页
开源代码
- 使用心得:
- hifigan的收敛速度和效果都比PWG要好一点;
- hifigan预测真实值表现良好,但是和声学模型接在一起之后有电音(杂音),主要是两个系统的mismatch(真实mel-spec和预测的mel-spec之间的差异)
- 2的解决方法:声学模型预测的更精准一些;vocoder用一些predict-mel训练,增强泛化性。
文章目录
- abstract
- HiFi-GAN
- 生成器结构
- MSD: multi-scale discriminator
- MPD:multi-period discriminator
- 目标函数
- experiments
- ablation study
- unseen speaker的泛化
abstract
motivation:在推理时间 & 生成高保真音质方面均作出改进
- 观点:modeling periodic patterns of an audio is crucial
- 结果:22.05k的单人音频生成质量和录制语音接近;优点全CNN网络,前向推理速度非常快
HiFi-GAN
包括一个生成器和两个判别器(multi-scale & multi-period),
生成器结构
- ConvTranspose:输入mel-spec,通过卷积上采样到和wav采样点同等长度;
- multi-receptive field fusion (MRF) module:res-block conv,作者设置了四种不同长度的生成器,可通过调节参数实现合成效率 & 生成质量的平衡。
MSD: multi-scale discriminator
- 因为MPD是对信号重采样为不同的周期(离散点进行判断),因此加入MSD对连续点语音进行判别;
- MSD包含三个子判别器:对连续的语音采样点进行建模,分别建模原始语音,✖️2 average-pooled audio,✖️4 average-pooled audio。是对平滑后波形的判断。
MPD:multi-period discriminator
-
- motivation:语音由不同的周期信号组成,重建语音数据需要对不同的周期模式进行建模。
- 对不连续的采样点进行建模,设置素数【2,3,5,7,11】为不同的period,按照period将音频采样点reshape为二维信号,然后用卷积单独处理周期重采样后的信号。
- 如上图所示:可以看成大周期sin signal+小周期sin signal,不同的采样间隔建模到不同周期的信号。
目标函数
- Feature Matching Loss:衡量判别器对于真实样本和生成样本预测的结果偏差
experiments
- 对比1:LJSpeech的效果,baseline选择官方开源的WaveNet,WaveGlow,MelGAN
- 对于unseen speaker的泛化效果:VCTK数据集,9个人作为unseen speaker,剩下的用于训练WaveNet,WaveGlow,MelGAN, hifigan
- 为了对比合成质量和合成速度,分别设置三组参数V1,V2,V3,参数量依次越来越小;
ablation study
- MPD模块对结果的改善最显著
unseen speaker的泛化
这篇关于HiFi-GAN: Generative Adversarial Networks for Efficient and High Fidelity Speech Synthesis的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!