FreGrad: Vocoder de Difusão Leve e Rápido com Consciência de Frequência
FreGrad: Lightweight and Fast Frequency-aware Diffusion Vocoder
January 18, 2024
Autores: Tan Dat Nguyen, Ji-Hoon Kim, Youngjoon Jang, Jaehun Kim, Joon Son Chung
cs.AI
Resumo
O objetivo deste artigo é gerar áudio realista com um vocoder leve e rápido baseado em difusão, denominado FreGrad. Nosso framework consiste nos três componentes principais a seguir: (1) Empregamos a transformada discreta de wavelet, que decompõe uma forma de onda complexa em sub-bandas de wavelets, ajudando o FreGrad a operar em um espaço de características simples e conciso; (2) Projetamos uma convolução dilatada com consciência de frequência, que eleva a percepção de frequência, resultando na geração de fala com informações de frequência precisas; e (3) Introduzimos um conjunto de técnicas que melhora a qualidade de geração do modelo proposto. Em nossos experimentos, o FreGrad alcança um tempo de treinamento 3,7 vezes mais rápido e uma velocidade de inferência 2,2 vezes mais rápida em comparação com nossa linha de base, enquanto reduz o tamanho do modelo em 0,6 vezes (apenas 1,78M de parâmetros) sem sacrificar a qualidade do áudio gerado. Amostras de áudio estão disponíveis em: https://mm.kaist.ac.kr/projects/FreGrad.
English
The goal of this paper is to generate realistic audio with a lightweight and
fast diffusion-based vocoder, named FreGrad. Our framework consists of the
following three key components: (1) We employ discrete wavelet transform that
decomposes a complicated waveform into sub-band wavelets, which helps FreGrad
to operate on a simple and concise feature space, (2) We design a
frequency-aware dilated convolution that elevates frequency awareness,
resulting in generating speech with accurate frequency information, and (3) We
introduce a bag of tricks that boosts the generation quality of the proposed
model. In our experiments, FreGrad achieves 3.7 times faster training time and
2.2 times faster inference speed compared to our baseline while reducing the
model size by 0.6 times (only 1.78M parameters) without sacrificing the output
quality. Audio samples are available at:
https://mm.kaist.ac.kr/projects/FreGrad.