Speech Synthesis/Text to Speech(TTS)

TTS before end-to-end

Traditional deep learning

Input samples——Feature extraction——Feature Selection——Classifier——Output samples

End to end

Concatenative Approach拼接法

speech from a large database由于是直接分割，发音割裂，效果不好

Parametric Approach参数合成法 

基于隐马尔科夫模型

Deep Voice

三个关键组件，Grapheme to phoneme根据字母猜测发音，Duration Prediction时长预测，Fundamental Frequency Prediction基频预测，将这三个部分结合，合成语音。

Tacotron:end to end TTS

Encoder部分

通过input embedding，对于transformer是需要position encodering的，但是这里不需要。

Pre-net通常是预训练好的MLP，一般有三种作用a.全连接，特征融合；b.非线性变换；c.dropout（防止过拟合），在这里是dropout的作用。

CBHG架构包含的内容如下：

因为是序列数据，采用一维卷积，Max pooling在保留重要信息的情况下减少计算量。

Residual connection防止退化问题。

Attention：Modeling Duration建模持续时间

将文本与语音对齐的作用，输出的音频和输入的文本必须单调对齐。

Decoder