摘要

尽管基于生成对抗网络（GAN）的声码器在条件于声学特征生成原始波形方面取得了近期进展，但在不同录音环境下对大量说话人合成高保真音频仍面临挑战。本文提出BigVGAN，一种具有强泛化能力的通用声码器，无需微调即可有效应对多种分布外（out-of-distribution）场景。我们引入周期性激活函数与抗混叠表示（anti-aliased representation）至GAN生成器中，为语音合成任务引入了理想的归纳偏置，显著提升了音频质量。此外，我们训练了目前文献中规模最大的GAN声码器，参数量高达1.12亿，创下新纪录。在训练过程中，我们识别并解决了大规模GAN训练中出现的失效模式，在保持高保真输出的同时避免了过度正则化。所提出的BigVGAN仅在纯净语音数据（LibriTTS）上进行训练，即可在多种零样本（zero-shot）分布外场景下实现当前最优性能，涵盖未见说话人、语言、录音环境、演唱声线、音乐及器乐音频等。相关代码与模型已开源，地址为：https://github.com/NVIDIA/BigVGAN