---
language: 
  - zh
  - en
tags:
  - speech-synthesis
  - speech-to-speech
  - voice-conversion
  - pytorch
  - audio
  - chinese-tts
  - multi-speaker
  - convolution
  - encoder-decoder
  - aishell
  - vctk
license: apache-2.0
datasets:
- aishell
- thchs30
- primewords
- vctk
library_name: pytorch
---

# Convbased

Convbased是一个高性能的中文语音合成模型，基于卷积神经网络和编码器-解码器架构设计。该模型在多个中文数据集上进行训练，支持多说话人和多方言的语音合成。


- 更快的训练收敛速度
- 更稳定的训练过程
- 更好的语音质量输出
- 支持多种中文方言（普通话、粤语、闽南语、四川话、温州话等）
- 多说话人语音合成能力

## 模型信息

### 训练规模
- **说话人数量**: 476个不同说话人
- **训练时长**: 35天连续训练
- **模型类型**: 编码器 + 解码器架构
- **总训练数据**: 约467小时高质量语音数据

### 模型架构
- **编码器**: 基于卷积的文本编码器
- **解码器**: 声学特征解码器
- **判别器**: 对抗训练判别器
- **损失函数**: 组合损失（Mel频谱损失 + KL散度损失 + 特征匹配损失）

## 训练曲线

模型训练过程中的各项损失函数变化：

![loss_d_total](assets/loss_d_total.png)
*判别器总损失*

![loss_g_fm](assets/loss_g_fm.png) 
*生成器特征匹配损失*

![loss_g_kl](assets/loss_g_kl.png)
*KL散度损失*

![loss_g_mel](assets/loss_g_mel.png)
*Mel频谱损失*

![loss_g_total](assets/loss_g_total.png)
*生成器总损失*

## 训练数据集

本模型使用以下高质量中文语音数据集进行训练：

| 数据集名称         | 时长（小时） | 描述 |
|-------------------|-------------|------|
| data_aishell      | 178         | 中文普通话语音识别数据集 |
| data_thchs30      | 30          | 清华大学中文语音数据集 |
| primewords_md_2018| 178         | 中文语音合成数据集 |
| VCTK              | 44          | 英文多说话人数据集 |
| 四川方言           | 4          | 四川话方言数据 |
| 闽南语             | 3          | 闽南话方言数据 |
| 粤语              | 3           | 粤语方言数据 |
| 温州方言           | 7          | 温州话方言数据 |
| 噪声              | 20          | 噪声环境语音数据 |


*本模型致力于推进中文语音合成技术的发展，该底模已用于微调大部分模型于 [Convbased](https://weights.chat/)*