之前的章节侧重于使用文本转语音（TTS）模型从文本生成中间声学表示，例如梅尔频谱图。然而，这些表示并非直接可听的声音。为了生成最终的语音波形，我们需要一个能将这些声学特征转换为高保真音频信号的组件。这个组件被称为声码器。

传统的声码器方法，通常基于格里芬-利姆（Griffin-Lim）等信号处理技术，可以合成可理解的语音，但常出现伪影并缺乏自然度。本章主要讲解现代神经网络 (neural network)声码器，它们采用深度学习 (deep learning)来生成明显更高质量的音频。

您将学习几种类型的神经网络声码器：

• 自回归 (autoregressive)模型，如WaveNet，这类模型顺序生成音频样本。
• 基于流的模型，如WaveGlow，可以实现并行波形生成。
• 基于GAN的模型，例如MelGAN和HiFi-GAN，它们采用对抗训练来实现高效、高质量的合成。
• 扩散模型，一种新兴的波形生成方法。

我们还将介绍这些模型如何以声学特征为条件，并讨论评估生成音频质量的方法。本章包含一个实践环节，您将使用预训练 (pre-training)的神经网络声码器来合成音频。