摘要： 一.合成器 1.合成器的文本输入被处理成512维的character embedding，具体如下图所示： 2.建议参考B站视频：语音合成超简洁训练代码框架 二.GSTs 1.由于原Tacotron的encoder输出为256维度，与说话人编码器的输出speaker embedding（也是256维 阅读全文