摘要

本文提出了一种基于流的网络——WaveGlow，该网络能够从梅尔频谱图生成高质量语音。WaveGlow 结合了 Glow 和 WaveNet 的见解，以提供快速、高效且高质量的音频合成，而无需自回归。WaveGlow 仅使用一个网络实现，并通过单一成本函数进行训练：最大化训练数据的似然性，这使得训练过程简单且稳定。我们的 PyTorch 实现能够在 NVIDIA V100 GPU 上以超过 500 千赫兹的速度生成音频样本。平均意见评分（Mean Opinion Scores）表明，其音频质量与目前公开可用的最佳 WaveNet 实现相当。所有代码将在网上公开发布。