准周期 Parallel WaveGAN：一种具有依赖音高膨胀卷积神经网络的非自回归原始波形生成模型

在本文中，我们提出了一种准周期 parallel WaveGAN (QPPWG) 波形生成模型，该模型通过使用依赖音高的膨胀卷积网络 (PDCNNs)，将准周期 (QP) 结构应用于 parallel WaveGAN (PWG) 模型。PWG 是一种基于 GAN 的小占用面积原始波形生成模型，由于其紧凑的模型以及非自回归 和非因果机制，其生成时间远快于实时。尽管 PWG 实现了高保真语音生成，但其通用且简单的网络架构对于未见过的辅助基频 ($F_{0}$) 特征（例如缩放的 $F_{0}$）缺乏音高可控性。为了提高音高可控性和语音建模能力，我们将带有 PDCNNs 的 QP 结构应用于 PWG，通过根据辅助 $F_{0}$ 特征动态改变网络架构，将音高信息引入网络。客观和主观实验结果均表明，当辅助 $F_{0}$ 特征被缩放时，QPPWG 优于 PWG。此外，对 QPPWG 中间输出的分析也显示了 QPPWG 更好的可处理性和可解释性，它分别使用 QP 结构的级联固定块和自适应块对类谱信号和类激励信号进行建模。