趋近智
高级语音识别与合成
章节 1: 现代语音处理流程的核心组成
高级音频特征提取
语音统计建模回顾
序列的深度学习结构
ASR 系统组成部分
文本转语音（TTS）系统的组成部分
评估指标的再审视
章节 2: 高级ASR声学建模
混合HMM-DNN系统
联结主义时间分类 (CTC)
注意力机制的编码器-解码器模型
RNN 转导器 (RNN-T)
用于自动语音识别的Transformer架构
高级训练方法
解码算法比较
动手实践：构建一个端到端ASR模型
章节 3: ASR中的语言建模与适应
ASR中的神经网络语言模型
浅层集成与深度集成
语境ASR
说话人适应技术
环境与信道适应
自动语音识别中的无监督和半监督学习
多语言和跨语言自动语音识别
实践：使用适应数据微调ASR
章节 4: 高级文本到语音合成
自回归声学模型 (Tacotron, Transformer TTS)
非自回归声学模型 (FastSpeech, ParaNet)
基于流的文本到语音合成模型
生成对抗网络（GANs）在文本到语音中的应用
韵律建模与控制
富有表现力的语音合成
声音克隆与转换
动手实践：训练高级TTS模型
章节 5: 神经网络声码器与波形生成
传统声码器的不足之处
自回归波形模型（WaveNet, WaveRNN）
基于流的声码器 (WaveGlow, FloWaveNet)
基于GAN的声码器（MelGAN, HiFi-GAN）
用于声码器的扩散模型
神经网络声码器的条件化
合成音频质量评估
动手实践：使用神经声码器
章节 6: 优化、部署与工具集
语音模型量化
模型剪枝与稀疏化
ASR/TTS 的知识蒸馏
优化推理引擎（ONNX Runtime, TensorRT）
流式ASR的部署考量
实时文本转语音（TTS）的部署考虑
语音处理工具包（ESPnet, NeMo, Coqui）概述
实践：优化语音模型
基于流的声码器 (WaveGlow, FloWaveNet)
这部分内容有帮助吗？
- WaveGlow: A Flow-based Generative Network for Speech Synthesis, Ryan Prenger, Rafael Valle, Bryan Catanzaro, 2019 ICASSP 2019 - 2019 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP) DOI: 10.48550/arXiv.1811.00002 - 介绍了WaveGlow架构及其在语音合成中的应用，实现了并行生成。
- Glow: Generative Flow with Invertible 1x1 Convolutions, Diederik P. Kingma, Prafulla Dhariwal, 2018 Advances in Neural Information Processing Systems (NeurIPS 2018) (Neural Information Processing Systems Foundation) DOI: 10.48550/arXiv.1807.03039 - 介绍了Glow模型，WaveGlow在此基础上进行改进，其特点是使用了仿射耦合层和可逆1x1卷积来实现生成流。
- FloWaveNet: A Generative Flow for Raw Audio, Taejun Kim, Hyoung-Seok Kwon, Jae-Sung Bae, Kyeong-Jin Mun, Kook-Cho Roh, 2019 Proc. Interspeech 2019 (International Speech Communication Association (ISCA)) DOI: 10.21437/Interspeech.2019-2169 - 描述了FloWaveNet，本节中提到的另一种基于流的声码器架构，专为原始音频生成设计。
- Density Estimation using Real NVP, Laurent Dinh, Jascha Sohl-Dickstein, Samy Bengio, 2017 International Conference on Learning Representations (ICLR 2017) DOI: 10.48550/arXiv.1605.08803 - 介绍了Real NVP，一个使用仿射耦合层的归一化流模型，仿射耦合层是本节中讨论的基于流模型的核心组件。