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

Efficiently Trainable Text-to-Speech System Based on Deep Convolutional Networks with Guided Attention

本文是icassp2018的文章，是语音合成端到端兴起的初始文章，本文章是使用卷积网络来替代rnn网络，从而提升速度，文章链接

https://arxiv.org/pdf/1710.08969.pdf

（我看这篇文章主要是为了总结attention，本文提出Guided Attention。另外本文很多符号，看着很唬人）

1 研究背景

基于端到端的语音合成在2017年开始兴起，但端到端的系统大多使用rnn层，因此限制了训练速度，本文尝试使用卷积网络来实现端到端系统。实验证明只使用15小时就可以训练出较好的模型。

2 系统结构

该系统结构如图1所示，跟tacotron的结构差不多，不过该系统的encoder和decoder都是用卷积来实现。textenc使用non-causal convolution 而audioenc和audioDec使用causal convolution。具体的每层结构如图2所示（全部使用符号来表示，有兴趣的读者可以自己阅读，其实不难）。

其实我比较感兴趣的部分是本文提出guided attention。因为音频具有时序性，因此attention的对齐满足对角线n~at，其中a~N/T（图片借鉴一下李宏毅老师的ppt)。guided attention把该条件带入到attention的限制中，每当对齐的值偏离该对角线，就要对齐惩罚。其函数如下所示。

3 实验

table 1列出本文的参数设置。table2实验与tacotron(tacotron刚提出系统）对比试验，由结果可以看出，本文提出的DCTTS花费15小时就可以获得较好的模型。图3和图4展示本文的guided attention的效果。

4 总结

本文章是使用卷积网络来替代rnn网络，从而提升速度。另外本文提出guided attention使该系统attention收敛更加迅速。