声明：语音合成论文优选系列主要分享论文，分享论文不做直接翻译，所写的内容主要是我对论文内容的概括和个人看法。如有转载，请标注来源。

欢迎关注微信公众号：低调奋进

GAN Vocoder: Multi-Resolution Discriminator Is All You Need

本文是MoneyBrain Inc公司在2021.03.09更新的文章，主要分析最近基于GAN声码器媲美回归模型或者flow-based的声码器的原因，具体文章链接

https://arxiv.org/pdf/2103.05236.pdf

1 背景

前几年，基于GAN的声码器被提出(具有代表性的声码器Melgan)，但基于GAN的声码器合成质量远不能够达到回归模型或者flow-based的声码器。然而，最近一段时间，基于GAN的声码器的合成质量已经媲美回归模型或者flow-based的声码器，是什么因素造成了该突破？生成器的结构？辨别器的结构？损失函数？抑或训练trick?本文提到是使用Multi-Resolution Discriminator才使基于GAN的声码器得到突破。本文使用HiFI-gan的辨别器与Melgan,pwgan,umgan,vocgan等声码器生成器进行适配。结果显示，使用HiFI-gan的Multi-Resolution Discriminator可以使以上的声码器获得与HIFI-GAN近似的结果，因此确定决定基于GAN声码器提高音质的原因是使用Multi-Resolution Discriminator。

2 详细设计

本文主要是实验性文章，主要分享经验，其中使用的几个声码器HIFI-GAN，Melgan,pwgan,umgan,vocgan不做详细介绍，这个需要做个专题才能捋清楚。本文使用HIFI-gan作为基准系统，然后使用HIFI_gan的Multi-Resolution Discriminator和Melgan,pwgan,umgan,vocgan的生成器进行配对实验，另外本文也提出一个图1所示的生成器。

3 实验

本文对比的系统如table1所示，其展示生成器参数量，训练速度，推理速度和输入特征等信息。使用Multi-Resolution Discriminator后的几种声码器的定性和定量分析如table2所示，每个系统之间MOS和MCD之间存在微乎其微的差异，因此判定Multi-Resolution Discriminator决定基于gan声码器的音质。图2 对比收敛速度情况。

4 总结

最近一段时间，基于GAN的声码器的合成质量已经媲美回归模型或者flow-based的声码器，是什么造成了该突破？生成器的结构？辨别器的结构？损失函数？抑或训练trick?本文提到是使用Multi-Resolution Discriminator才使基于GAN的声码器得到突破，并给出实验证明。