本文主要是介绍语音合成：概述【不等长序列关系建模的生成任务】，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
一、什么是语音合成？
语音合成是一个“不等长序列关系建模的生成任务”
- 输入：【tex len 】；输入：【frequency dim, spectrum length】
- 输入形状：文本token序列长度；输出形状：(频率维度, 频谱序列长度)
“七百三十九”5个“token”对应着20多个语音“帧”
不能单独建模 “七”与X帧的关系，“百”与Y帧的关系，。。。。，然后拼接起来，这样是违反人类发音的本质的。
二、语音合成基本训练框架
1、训练数据介绍
采样率 = 16000
2、Token Embedding Layer
为了将字符映射为浮点数，pytorch采取了“可训练查询表”的方式,设数据集中含有的token 数量&
这篇关于语音合成：概述【不等长序列关系建模的生成任务】的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
