# 发音合成

Convolutional VocalTrax 把可微发声合成中逐样本推进的声道递归换成固定块卷积：先精确算出同一波导的频响，再按 5.8 毫秒分块做因果卷积，梯度只经过 FFT 和沿声道的 43 步递归。在 600 条 AudioMNIST 录音上，声道前向加反向在 A100 上快 47 到 63 倍；只用真实语音训练的 wav2vec 2.0 分类器识别其重建语音的比例为 14.5%，高于 VocalTrax 的 10.0%，尽管对数梅尔距离高出 11%。

Convolutional VocalTrax 把可微发声合成中逐样本推进的声道递归换成固定块卷积：先精确算出同一波导的频响，再按 5.8 毫秒分块做因果卷积，梯度只经过 FFT 和沿声道的 43 步递归。在 600 条 AudioMNIST 录音上，声道前向加反向在 A100 上快 47 到 63 倍；只用真实语音训练的 wav2vec 2.0 分类器识别其重建语音的比例为 14.5%，高于 VocalTrax 的 10.0%，尽管对数梅尔距离高出 11%。