1108组会：
- 完成软著申请
- 完成 开题PPT 修改
- 完成 VC综述 论文整理
- 尚未完成 开题综述 主体部分（花了较多时间看格式处理）
- 阅读《AiShell-3》论文：值得分享一个亮点（speaker-embedding-cycle-consistence Loss）
Boild-polit 数据集在15043上有？
前端：Tacotron
后端：MelGAN
🌟特点：在多说话人合成任务上，为了进一步增加相似度，提出了“speaker identity feedback constraint”
公式上体现：
部分，先预训练，然后在训练 Tacotron 的时候参数不再参与训练 Frozen
另一些亮点：
Tacotron2 中，对长序列语音的合成，表现乏力；
通常改进方法是：从 hybrid-attention mechanism 改进为 purely location-based attention mechanisms ，即 Attention 机制的改进
但是这么弄，会使得 长句子的 韵律表现很差
本文转用 data augmentation 数据增强 来处理长句子合成问题
扩充后的数据用于微调收敛于原始数据集的TTS模型。
在语音合成任务中，之前较少看见 VAD 操作，一般在识别任务上用的比较多；
- 本文在数据预处理上，用 基于能量谱的 VAD 来对训练集 语音开始部分的静音帧进行去除
- 帮助加速后续的 优化对齐环节
🌟备注：
- 在公司里 && VCC2020中，很多队伍提到，用 24k 的生成效果比 16k 提升显著，本文是用16k，之后可从这个点做稍微提升