语音合成论文和英伟达撞车，韩国小哥紧急放出全部草稿代码和样本 | 资源帖

晓查 发自 凹非寺 量子位 报道 | 公众号 QbitAI

由于和英伟达研究撞车，韩国一位研究语音合成的作者已经哭晕了。

10月31日，英伟达在arXiv网站上传了一篇论文——WaveFlow：一个用于音频合成基于流的生成网络。

英伟达论文地址： https://arxiv.org/abs/1811.00002

而一位韩国首尔大学的学生发现，自己的研究成果竟然和英伟达高度相似，为了和英伟达抢时间，他们在11月6日赶紧也向arXiv上传了论文。

论文第二作者昨晚还在reddit发帖，并抢时间放出源代码，以此安慰在角落哭泣的第一作者。

FloWaveNet项目

这位韩国学生公布的FloWaveNet，是一种基于流生成模型的原始音频合成方法，只需要一个最大似然损失，不需要其他额外的损失函数。该模型可以实时高效地采样原始音频，而且合成音频的清晰度已经能和WaveNet相媲美。

英伟达也公布了自己的WaveGlow：一种基于流的网络，能够从梅尔频谱图（mel-spectrograms）中合成高质量的语音。 它借鉴了OpenAI的生成网络Glow和DeepMind的WaveNet，能够提供快速，高效和高质量的音频合成，而无需自动回归（auto-regression）。 WaveGlow仅由单一成本函数进行训练，使用单一网络实现，使得训练过程简单而稳定。

源代码与合成音频样品

作者已经在GitHub上公布了FloWaveNet源代码，并和百度研究院数月前发布的语音合成项目ClariNet进行对比。

FloWaveNet项目地址： https://github.com/ksw0306/FloWaveNet

ClariNet项目地址： https://github.com/ksw0306/ClariNet

这两个项目都是基于PyTorch实现，此外用户还需要安装音频分析包librosa。

为了展示效果，作者还放出了与原始音频、WaveNet合成音频样品的对比（第一段为原始音频、第二段为FloWaveNet合成，第三段为WaveNet合成）：

另外，英伟达也放出了自己的WaveGlow的项目和多段音频对比，但是却没有提供源代码： https://nv-adlr.github.io/WaveGlow

不过，有英伟达论文的第三方PyTorch实现可用： https://github.com/npuichigo/waveglow

因祸得福

帖子发出后2个小时内，获得了热烈讨论。有人分享了类似“撞车”经验，表示单枪匹马很难与大公司众多工程师竞争，自己开始某项研究数月后，就被DeepMind抢发了论文。

不过还是有人鼓励作者，英伟达的WaveGlow目前仅仅是提交到arXiv，还未正式发表，希望作者不要担心。

很快帖子就吸引来了行业大咖。英伟达WaveGlow作者之一、负责应用深度学习的副总裁Bryan Catanzaro在回帖中点赞，并且抛出了橄榄枝，希望发帖者能够去英伟达实习。

不知道这算不算因祸得福呢？

— 完 —