三、SqueezeWave的改進措施

通過對WaveGlow的分析發(fā)現(xiàn)最主要的計算量來自于輸入音頻波形的形狀（長度）。WaveGlow的輸出維度為（L＝2000，Cg ＝ 8）這會從三個方面帶來非常高的計算復(fù)雜度：WaveGlow是一維卷積，其計算復(fù)雜度隨L線性增長；為了提高梅爾譜的時域分辨率需要對其進行上采樣，由于上采樣是由現(xiàn)有樣本簡單插值而成的意味著in＿layer中其中絕大部分計算是沒有必要的；在WN函數(shù)中，8通道的輸入被映射到了256到512維中間維度，雖然增加了模型容量但是在輸出時又被壓縮為8通道，中間維度的信息將會不可避免的丟失。

為了改進這些計算復(fù)雜的細節(jié)，研究人員將輸入音頻變形為較小的時域長度和較多的通道上來，同時保持WN函數(shù)中的通道尺寸。下面是兩種改進的細節(jié)。當L＝64時，時域長度與梅爾譜相同無需上采樣，而L＝128時，梅爾譜僅需要進行最鄰近采樣，這樣進一步減少了cond＿layer的計算開銷。fig2深度可分離卷積減小計算量。

此外，研究人員還利用深度可分離卷積代替了in＿layer中的一維卷積，用于處理1D音頻信號。一維卷積將輸入轉(zhuǎn)換為，其中卷積核的尺寸為，計算量為MACs．利用深度可分離卷積可以將計算量減小為：
當K＝3，Cout ＝ 512時候，這種方法可以減小近三倍的計算量。

除此之外，由于時域長度減小不再需要利用膨脹卷積增加感受野，所以都用常規(guī)卷積進行代替更加適合硬件計算；將res＿skip＿layer的兩支輸出分支合并，減小了最終的輸出通道數(shù)目。在下圖中可以看到SqueezeWave的改進：

四、實驗結(jié)果

為了驗證模型的性能，研究人員將本文提出的SqueezeWave（SW）與WaveGlow和基準進行了比較，下表中SW－128L代表L＝128的模型：

可以看到SW系列模型的計算量相較于WaveGlow大幅下降，而性能卻能保持較高的水平。

為了驗證在邊緣設(shè)備的性能，上表還比較了在Macbook Pro和樹莓派上的結(jié)果，可以看到甚至在樹莓派上都可以達到5．2k－21k／s的樣本生成速度。其中SW128S已經(jīng)能夠生成實時并且高質(zhì)量的音頻結(jié)果了。

關(guān)于我門

▼

將門是一家以專注于發(fā)掘、加速及投資技術(shù)驅(qū)動型創(chuàng)業(yè)公司的新型創(chuàng)投機構(gòu)，旗下涵蓋將門創(chuàng)新服務(wù)、將門技術(shù)社群以及將門創(chuàng)投基金。將門成立于2015年底，創(chuàng)始團隊由微軟創(chuàng)投在中國的創(chuàng)始團隊原班人馬構(gòu)建而成，曾為微軟優(yōu)選和深度孵化了126家創(chuàng)新的技術(shù)型創(chuàng)業(yè)公司。

將門創(chuàng)新服務(wù)專注于使創(chuàng)新的技術(shù)落地于真正的應(yīng)用場景，激活和實現(xiàn)全新的商業(yè)價值，服務(wù)于行業(yè)領(lǐng)先企業(yè)和技術(shù)創(chuàng)新型創(chuàng)業(yè)公司。

將門技術(shù)社群專注于幫助技術(shù)創(chuàng)新型的創(chuàng)業(yè)公司提供來自產(chǎn)、學(xué)、研、創(chuàng)領(lǐng)域的核心技術(shù)專家的技術(shù)分享和學(xué)習(xí)內(nèi)容，使創(chuàng)新成為持續(xù)的核心競爭力。

將門創(chuàng)投基金專注于投資通過技術(shù)創(chuàng)新激活商業(yè)場景，實現(xiàn)商業(yè)價值的初創(chuàng)企業(yè)，關(guān)注技術(shù)領(lǐng)域包括機器智能、物聯(lián)網(wǎng)、自然人機交互、企業(yè)計算。在近四年的時間里，將門創(chuàng)投基金已經(jīng)投資了包括量化派、碼隆科技、禾賽科技、寬拓科技、杉數(shù)科技、迪英加科技等數(shù)十家具有高成長潛力的技術(shù)型創(chuàng)業(yè)公司。