一、什么是语音合成？

语音合成是一个“不等长序列关系建模的生成任务”

• 输入：【tex len 】；输入：【frequency dim, spectrum length】
• 输入形状：文本token序列长度；输出形状：(频率维度, 频谱序列长度)

“七百三十九”5个“token”对应着20多个语音“帧”

不能单独建模 “七”与X帧的关系，“百”与Y帧的关系，。。。。，然后拼接起来，这样是违反人类发音的本质的。

二、语音合成基本训练框架

1、训练数据介绍

采样率 = 16000

2、Token Embedding Layer

为了将字符映射为浮点数，pytorch采取了“可训练查询表”的方式,设数据集中含有的token 数量&