詳細解釋
聲碼器（Vocoder）是將聲學特徵（如頻譜）轉換為可聽音頻波形的模型，是語音合成的最後一步。
傳統方法：
- Griffin-Lim：相位重建迭代算法
- World：聲碼器參數估計
深度學習聲碼器：
- WaveNet：自回歸，品質高慢
- WaveGlow：基於流，快且好
- HiFi-GAN：對抗生成，實時高品質
- BigVGAN：大規模高品質
輸入輸出：
- 輸入：梅爾頻譜或其他聲學特徵
- 輸出：16kHz-48kHz音頻波形
品質指標：
- MOS：平均意見分數，人耳主觀
- 客觀：Mel Cepstral Distortion等
- 實時因子：RTF<1才能實時
應用：
- 文字轉語音 (TTS)：最終波形生成
- 聲音轉換：保留內容換音色
- 語音增強：頻譜修復後轉波形
現代趨勢：
- 端到端：直接文本到波形
- 輕量化：移動設備實時
- 高品質：接近人聲自然度
是語音合成管道的關鍵組件。