波浪网

WaveNet:原始音频的生成模型。本文介绍一种用于生成原始音频波形的深层神经网络WaveNet。该模型是完全概率和自回归的,每个音频样本的预测分布都是以之前所有样本为条件的;尽管如此,我们证明它可以有效地训练数据,每秒有成千上万的音频样本。当应用于文本到语音转换时,它产生了最先进的性能,人类听众认为它比英语和普通话的最佳参数和连接系统听起来更自然。一个单一的波网络可以以相同的保真度捕捉许多不同的说话人的特征,并且可以通过调节说话人的身份在它们之间切换。当我们被训练成音乐模型时,我们发现它能产生新颖的,通常是高度真实的音乐片段。我们还证明了它可以作为一个判别模型,为音素识别返回了很好的结果。


zbMATH中的参考文献(参考文献26条)

显示第1到第20个结果,共26个。
按年份排序(引用)
  1. 达什,提尔塔拉吉;斯里尼瓦桑,阿什温;Baskar,A.:使用模式定向逆蕴涵将领域知识包含到GNN中(2022)
  2. 基尔古尔,迈克尔;西敏,莉娜:《黑盒子里:非晶材料深层生成模型有效性的物理基础》(2022)
  3. Marino,Joseph:预测编码,变分自动编码和生物连接(2022)
  4. 王佳吉;王、陈;范剑生;Mo,Y.L.:基于时间卷积网络的本构模型的深度学习框架(2022)
  5. 查蒂尼,菲利普;帕特诺,让马克;王盛瑞:金融时间序列长期预测的时空自适应神经网络(2021)
  6. 埃文斯,理查德;博恩贾克,马特科;伯辛,拉尔斯;埃利斯,凯文;普法,大卫;科利,普什梅特;塞尔戈特,马雷克:《理解原始输入》(2021年)
  7. 格林,劳伦特;法律,西蒙;碧,小雨;迪亚德,朱利安;霍伯,托马斯;Alameda Pineda,Xavier:动态变分自动编码器:综合评述(2021)
  8. 黄俊浩;孙伟泽;黄磊:多目标稀疏神经网络的联合结构与参数优化(2021)
  9. 马少辉;菲尔德斯,罗伯特:零售销售预测与元学习(2021)
  10. 保罗,威廉;王怡贞;阿拉贾吉,法迪;Burlina,Philippe:语义属性的无监督发现、控制和分离及其在异常检测中的应用(2021)
  11. 宋穗红;木刻,塔潘;侯佳根:基于生成对抗网络(GANs)渐进生长的地质相建模(2021)
  12. 宋穗红;木刻,塔潘;Hou,Jiagen:GANSim:使用改进的生成对抗网络(GANs)渐进生长的条件相模拟(2021)
  13. 弗拉西斯,尼古拉斯N。;Sun,WaiChing:具有水平集硬化的可解释弹塑性模型热力学信息神经网络的Sobolev训练(2021)
  14. 王正阳;季水旺:平滑扩张卷积用于改进的稠密预测(2021)
  15. 万忠一;多多夫,博伊科;莱西格,基督徒;迪克斯特拉,亨克;Sapsis,Themistoklis P:一个用于气候数据集的小尺度特征随机重建的数据驱动框架(2021)
  16. 布雷默,约翰;卢佩,吉尔;帕维兹,胡安;克兰默,凯尔:《从隐式模型中挖掘黄金以改进无似然推断》(2020年)
  17. 加蒂,菲利波;Clouteau,Didier:使用生成性对抗网络将基于物理的数值模拟和地震数据库相结合(2020)
  18. 帕夫洛,达里奥;费希滕霍夫,克里斯托夫;奥利,迈克尔;David Grangier:用基于四元数的神经网络建模人体运动(2020)
  19. 桑吉奥,马特奥;Dercole,Fabio:混沌时间序列多步预测的LSTM神经网络鲁棒性(2020)
  20. 威斯,马格努斯;诺布洛赫,罗伯特;科恩,拉尔夫;Kretschmer,Peter:Quant-GANs:金融时间序列的深层生成(2020)