语音合成深度学习基础知识

语音合成一、前端

NT，将阿拉伯数字变成大写，标点符号进行变换，是否读
多音字
短句
二、模型—HMM OR LSTM
三、 vocoder生成wav
end2end的语音合成
合并1&2，or合并1&2&3
但实际上训练一个多音字的模型就需要500w句～500h(1w句1小时)的数据，实际不可能完全是多音字的，因此会更多～5000h
语音合成技术概述
https://www.cnblogs.com/mengnan/p/9474111.html
传统语音合成
https://www.zhihu.com/question/26815523

语音识别是合成的反向
tri-phone
mono-phone
context-dependent or context-independent
AM+LM
端到端的ASR是将AM和LM合并为一个模型
CTC–Connectionist Temporal Classification 【语音合成】是一种序列识别的模型，将speech识别为phone和blank，然后划定一个阈值把blank删除（例如0.8以上的blank为纯blank)