本文主要是语音合成模型实验结果经验总结！！

首先列出实验过的所有模型

1. Fastspeech&Fastspeech2
2. Tacotron&Tacotron2
3. Transformer-TTS
4. Bark(E2E)
5. VITS/VITS2(E2E)
6. NaturalSpeech2
7. MB-iSTFT-VITS/ MB-iSTFT-VITS2(E2E)

1.语音合成主主要架构如下

 

2.模型间的比较

# 比较基于同样的数据，参数等测试结果

3.模型优缺点

Fatespeech系列是俩阶段模型，对数据要求较高，尤其在使用MFA工具进行对齐时，可能出现错误，且语音数据越多，相对来说学习的越好。

VITS系列典型的端到端模型，便于训练，且在数据集较少的情况下依旧可以生成较好的语音。