面向语音相位预测的分阶段和先验感知神经网络模型

本文提出一种新型的分阶段和先验感知神经语音相位预测模型（SP-NSPP），该模型通过两个阶段的神经网络从输入�幅谱预测相位谱。在初始的先验构建阶段，我们预先预测从�幅谱得到的粗糙相位谱。随后的细化阶段则在先验相位条件下将�幅谱转化为细化后的高质量相位谱。两个阶段的网络均使用ConvNeXt v2模块作为骨干网络，并创新性地引入相位谱判别器（PSD）进行对抗训练。为进一步提高细化相位的连续性，我们还在细化阶段包含时间频率集成差分（TFID）损失。实验结果表明，与基于神经网络的无先验相位预测方法相比，所提出的SP-NSPP由于引入粗糙相位先验和多样化训练准则，实现了更高的相位预测精度。与迭代相位估计算法相比，SP-NSPP无需多轮分阶段迭代，从而实现了更高的生成效率。