WOLONet：用于高效高保真语音合成的小波 Outlooker
声音
2022-06-22 v1 人工智能
计算与语言
摘要
近来，基于 GAN 的神经声码器如 Parallel WaveGAN、MelGAN、HiFiGAN 和 UnivNet 因其轻量与并行结构而流行，即使在 CPU 上也能实时合成高保真波形。HiFiGAN 与 UnivNet 是两个 SOTA 声码器。尽管质量很高，仍有改进空间。本文受计算机视觉中 Vision Outlooker 结构的启发，采用类似思路并提出一种称为 WOLONet 的高效轻量神经声码器。该网络中，我们开发了一种新颖的轻量块，其使用位置可变、通道独立且深度可分离的动态卷积核，并具有正弦激活的动态核权重。为证明方法的有效性与泛化性，我们进行消融研究验证新设计，并与典型基于 GAN 的声码器做主客观对比。结果表明，我们的 WOLONet 在所需参数量少于两个神经 SOTA 声码器 HiFiGAN 和 UnivNet 的同时，取得了最佳生成质量。
引用
@article{arxiv.2206.09920,
title = {WOLONet: Wave Outlooker for Efficient and High Fidelity Speech Synthesis},
author = {Yi Wang and Yi Si},
journal= {arXiv preprint arXiv:2206.09920},
year = {2022}
}