IndowK
IndowK
很不好意思，我的代码能力比较薄弱。300行是获取mel谱和F0吗内容信息是在mel谱中？
感谢！我还想问一下，是否选用的数据集中每个说话人是内容要尽可能相同？如果内容不同，是否也是需要调参解决？
感谢！
作者您好！关于训练数据我还想问个问题：用于训练的数据需要剪切掉空白的音频部分吗？如果需要的话，是只删除每条语句的前后空白部分，还是删除整条语音中所有的空白部分？
我的代码基础比较弱，我想请问一下，调节bottleneck的参数是指调节hparams.py中的 dim_neck, dim_neck_2, dim_neck_3吗？
我还有一个猜测，是不是我没有将speakerID加进来？ 
感谢您的回复！ 我还有一些不明白的地方：1、用于训练的数据集是拼接后的音频，那训练的时候会用到uid吗？2、您提供的demo.pkl中的两个说话人的uid都是003002，这个意思是说话人的第三个语音文件中的第二个语句吗？
感谢您的回复！ 我还有一些问题：demo.pkl中的one-hot向量，是由make_metadata中的这段代码生成的吗？： for speaker in sorted(subdirList): print('Processing speaker: %s' % speaker) utterances = [] utterances.append(speaker) _, _, fileList = next(os.walk(os.path.join(dirName,speaker))) # use hardcoded onehot embeddings in order to be cosistent...
> 允许差别的规格和wavenet是对应的音质就不会差到哪里。还是autoencoder本身的问题。你的batch size有多大？ 我的batch size设置为2，参数这些我都按照源代码来的，并没有做调整：dim_neck=32，freq=32
我按照论文中的来的，用的是VCTK数据集；我选择了其中mic1的语音，通过audition下采样到16k