SpeedySpeech：高效神经语音合成

尽管近期的神经序列到序列模型大幅提升了语音合成质量，但尚无系统能够同时具备快速训练、快速推理和高质量音频合成的能力。我们提出了一种师生网络，能够实现高质量、快于实时的频谱图合成，对计算资源需求低且训练时间短。我们表明，自注意力层对于生成高质量音频并非必要。我们在学生和教师网络中均使用带残差连接的简单卷积块，并仅在教师模型中使用单一注意力层。配合 MelGAN 声码器，我们模型的语音质量被评定为显著优于 Tacotron 2。我们的模型可在单个 GPU 上高效训练，甚至能在 CPU 上实时运行。我们在 GitHub 仓库中提供了源代码和音频样本。