VNet：用于语音合成声码器的基于 GAN 的多层判别器网络

自生成对抗网络（GAN）引入语音合成以来，已取得了显著成就。在对声码器的全面探索中发现，通过利用基于 GAN 的模型，可以以超过实时的速度生成音频波形，同时保持高保真度。通常，声码器的输入为带限谱信息，这不可避免地牺牲了高频细节。为解决这一问题，我们采用全带 Mel 谱图信息作为输入，旨在为声码器提供尽可能全面的信息。然而，先前的研究表明，将全带谱信息用作输入可能导致过度平滑的问题，损害合成语音的自然度。为应对这一挑战，我们提出了 VNet，一个基于 GAN 的神经声码器网络，它融合了全带谱信息并引入了由多个子判别器组成的多层判别器（MTD）以生成高分辨率信号。此外，我们引入了一种渐近约束方法，修改生成器和判别器的对抗损失，增强训练过程的稳定性。通过严格的实验，我们证明了 VNet 模型能够生成高保真度语音，并显著提升声码器的性能。