自适应语音合成实验方案

自适应语音合成也可以认为是训练一 个多说话人模型（也就是预训练模型），主要是通过一个256维的讲者嵌入来表征不同说话人，将表征后的讲者嵌入加入到改进后的声学模型中，利用该模型提取训练集内不同说话人的时长、能量、音高等音频信息，进而得到梅尔频谱的音频表征形式，而在最后的声码器部分则选择使用Parallel WaveGAN和MelGAN分别进行实验。