조건부 파형 생성
멜 스펙트로그램에 담긴 음향 정보를 바탕으로 파형을 생성한다. 글자에서 발음 정보를 먼저 예측하는 모델과 달리 음향 표현 이후의 합성 단계를 다룬다.
플로를 이용한 학습
단일 네트워크를 데이터의 우도를 최대화하는 하나의 비용 함수로 학습하는 구성을 제시한다. 생성적 적대 신경망처럼 판별기와 생성기를 경쟁시키는 학습과는 다른 방식이다.
자기회귀 없이 합성하기
앞선 파형 샘플들을 순서대로 완성해야만 다음 샘플로 진행하는 방식의 의존을 없애 효율적인 합성을 목표로 한다. 논문은 구현의 속도와 평균 의견 점수를 함께 보고한다.
속도 수치의 해석
초당 만들어 내는 샘플 수는 완성된 문장을 처리하는 전체 지연과 같지 않다. 앞단 음향 모델의 시간과 장비, 출력 샘플링 주파수를 함께 보아야 최종 음성 서비스의 속도를 비교할 수 있다.
관련 문서
WaveNet / MelGAN / HiFi-GAN 보코더 / Tacotron 2 / FastSpeech / Glow-TTS