WaveRNN

class torchaudio.models.WaveRNN(upsample_scales: List[int], n_classes: int, hop_length: int, n_res_block: int = 10, n_rnn: int = 512, n_fc: int = 512, kernel_size: int = 5, n_freq: int = 128, n_hidden: int = 128, n_output: int = 128)

WaveRNN 模型，来自高效神经音频合成 [Kalchbrenner et al., 2018]，基于 fatchord/WaveRNN 的实现。

原始实现引入于高效神经音频合成 [Kalchbrenner et al., 2018]。波形和频谱图的输入通道必须为 1。upsample_scales 的乘积必须等于 hop_length。

另请参阅

• 训练示例

• torchaudio.pipelines.Tacotron2TTSBundle：带有预训练模型的 TTS pipeline。

参数:

• upsample_scales – 升采样比例列表。

• n_classes – 输出类别的数量。

• hop_length – 连续帧起始点之间的样本数。

• n_res_block – 堆栈中 ResBlock 的数量。（默认值：10）

• n_rnn – RNN 层的维度。（默认值：512）

• n_fc – 全连接层的维度。（默认值：512）

• kernel_size – 第一个 Conv1d 层中的内核大小。（默认值：5）

• n_freq – 频谱图中的频 bins 数量。（默认值：128）

• n_hidden – resblock 的隐藏维度数量。（默认值：128）

• n_output – melresnet 的输出维度数量。（默认值：128）

示例

>>> wavernn = WaveRNN(upsample_scales=[5,5,8], n_classes=512, hop_length=200)
>>> waveform, sample_rate = torchaudio.load(file)
>>> # waveform shape: (n_batch, n_channel, (n_time - kernel_size + 1) * hop_length)
>>> specgram = MelSpectrogram(sample_rate)(waveform)  # shape: (n_batch, n_channel, n_freq, n_time)
>>> output = wavernn(waveform, specgram)
>>> # output shape: (n_batch, n_channel, (n_time - kernel_size + 1) * hop_length, n_classes)

使用 WaveRNN 的教程

使用 Tacotron2 的文本到语音合成

使用 Tacotron2 的文本到语音合成

方法

forward

WaveRNN.forward(waveform: Tensor, specgram: Tensor) → Tensor

通过 WaveRNN 模型传递输入。

参数:

• waveform – WaveRNN 层的输入波形 (n_batch, 1, (n_time - kernel_size + 1) * hop_length)

• specgram – WaveRNN 层的输入频谱图 (n_batch, 1, n_freq, n_time)

返回:

形状 (n_batch, 1, (n_time - kernel_size + 1) * hop_length, n_classes)

返回类型:

Tensor

infer

WaveRNN.infer(specgram: Tensor, lengths: Optional[Tensor] = None) → Tuple[Tensor, Optional[Tensor]]

WaveRNN 的推理方法。

此函数目前仅支持多项式采样，这假设网络在交叉熵损失上进行训练。

参数:

• specgram (Tensor) – 频谱图批次。形状：(n_batch, n_freq, n_time)。

• lengths (Tensor 或 None, 可选) – 指示批次中每个音频的有效长度。形状：(batch, )。当 specgram 包含不同时长的频谱图时，通过提供 lengths 参数，模型将计算相应的有效输出长度。如果为 None，则假定 waveforms 中的所有音频都具有有效长度。默认值：None。

返回:

Tensor

推断出的波形，大小为 (n_batch, 1, n_time)。1 代表单通道。

Tensor 或 None

如果提供了 lengths 参数，则返回形状为 (batch, ) 的 Tensor。它指示输出 Tensor 在时间轴上的有效长度。

返回类型:

(Tensor, Optional[Tensor])