摘要

近年来，多项语音合成研究采用生成对抗网络（GAN）直接生成原始波形。尽管此类方法在采样效率和内存占用方面有所提升，但其生成样本的质量尚未达到自回归模型和基于流（flow-based）生成模型的水平。本文提出HiFi-GAN，实现了高效且高保真的语音合成。由于语音音频本质上由不同周期的正弦信号构成，我们证明了对音频中周期性模式的建模对于提升生成质量至关重要。在单说话人数据集上的主观人类评估（平均意见分，MOS）表明，所提出的方法在生成22.05 kHz高保真音频时，其语音质量接近人类水平，且在单张V100 GPU上运行速度比实时快167.9倍。我们进一步验证了HiFi-GAN在未见说话人mel频谱图逆变换及端到端语音合成任务中的泛化能力。此外，HiFi-GAN的轻量化版本在CPU上生成音频的速度也达到实时的13.4倍，同时保持了与自回归模型相当的生成质量。