TACOTRON: TOWARDS END-TO-END SPEECH SYNTHESIS
Abst
テキストからの音声生成は通常複数のステージがあるけど、それだと複数のドメインエキスパートが必要になるから、end-to-endでできるようにしました。
1. Introduction
複数のモジュール構成は大変。ダイレクトにできたら、アノテーションも少なくて、うれしいはず。でも発音には色々あるから、テキストから発音を構成するのは基本無理。seq2seqとattentionを組み合わせて頑張ります。
2. Related Work
WaveNetは遅いし、発音の特徴が必要。DeepVoiceは全部NNにしたけど、個々の学習が必要。似たやつもあるけど、中々学習が大変。また、事前学習をするやつもあるけど、我々はやらない。
3. Model Architecture
3.1 CBHG Module
CBGHはシークエンスから表現を抽出する強力なモジュールだ。まず、畳み込んで、maxpoolをとる。これに畳み込んで、またresnetで入力とつなぐ。（これ使うなら、実装をコードで見に行こうかなー）（Bidirectional LSTMって出力は何になるの？）
3.2 Encoder
3.3 Decoder
メモ
生成の周りだけ、わかればいいかなー。
bidirectionalの様子：https://qiita.com/gacky01/items/f2537468b7381269588b
わかりやすいなー。
結局エンコーダはこれでよくて、デコーダは自己回帰系でやればいいのか？
え、もしかして、スペクトログラムから波形の生成をしている？位相も大丈夫なの？
まぁちゃんと調べるのは2でいいかな。
単語
prosody：韻律論
dubbed：吹き替え
