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)

来自 *Efficient Neural Audio Synthesis* [Kalchbrenner 等人，2018] 的 WaveRNN 模型，基于 fatchord/WaveRNN 的实现。

最初的实现是在 *Efficient Neural Audio Synthesis* [Kalchbrenner 等人，2018] 中引入的。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 管道。

参数：

• upsample_scales – 上采样比例列表。

• n_classes – 输出类的数量。

• hop_length – 连续帧起始位置之间的样本数。

• n_res_block – 堆叠的 ResBlock 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 层的内核大小。 (默认值：5)

• n_freq – 频谱图中的频段数量。 (默认值：128)

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

• n_output – melresnet 的输出维度数。 (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 进行文本转语音

使用 Tacotron2 进行文本转语音

方法

forward

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

将输入传递到 WaveRNN 模型。

参数：

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

• specgram – 输入到 WaveRNN 层的频谱图 (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

推断

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

WaveRNN 的推断方法。

此函数目前仅支持多项式采样，假设网络是在交叉熵损失上训练的。

参数：

• specgram (Tensor) – 语谱图的批次。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包含不同持续时间的语谱图时，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，则假设waveforms中的所有音频都具有有效长度。默认值：None。

返回：

Tensor

大小为(n_batch, 1, n_time) 的推断波形。1 代表单通道。

张量或 None

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

返回类型：

(Tensor, Optional[Tensor])