짧은 파형을 직접 생성하기
오디오는 높은 시간 해상도로 샘플링되므로 여러 시간 규모의 구조를 함께 포착해야 한다. WaveGAN은 이미지 생성에서 발전한 적대적 학습을 원시 파형 합성에 적용한다.
라벨 없는 음성 학습
작은 어휘의 음성 자료에서 별도 라벨 없이도 알아들을 수 있는 단어를 생성하는 경우를 연구한다. 이는 원하는 문장을 텍스트로 지정해 읽게 하는 음성 합성과는 다른 과제다.
파형과 이미지형 표현
연구는 원시 파형에 적용한 접근을 이미지와 비슷한 오디오 특징 표현에 이미지 생성용 GAN을 적용하는 방식과 비교한다. 소리를 어떤 영역에서 표현하느냐가 생성 설계의 중요한 차이가 된다.
짧은 소리와 긴 구조
1초 정도의 소리 조각이 자연스럽다는 결과만으로 긴 발화나 곡 전체가 일관되게 이어진다고 볼 수 없다. 국소적인 파형의 질과 긴 시간의 구조는 서로 다른 평가 범위다.