【攻科大队长AI】Dehors

本实验旨在训练一个基于深度学习的语音生成模型。实验使用了特定的音频数据集，并通过调整模型参数和训练策略，优化了语音生成的效果。
数据集的采样率为48000 Hz，滤波长度为2048，跳跃长度为480，最大波形值为32768.0。梅尔频率的最小值为0.0，最大值未设定，通道数为128，窗口长度为2048。
模型参数方面，滤波通道数为768，GIN通道数为256，隐藏通道数和中间通道数均为192，卷积核大小为3，注意力头数为2，层数为6，丢弃率为0。残差块类型为1，膨胀大小为[[1, 3, 5], [1, 3, 5], [1, 3, 5]]，卷积核大小为[3, 7, 11]。说话人嵌入维度为109，上采样初始通道数为512，卷积核大小为[24, 20, 4, 4]，上采样倍率为[12, 10, 2, 2]。是否使用谱归一化为否。
训练参数包括批次大小为8，Adam优化器的β参数为[0.8, 0.99]，KL散度系数为1.0，梅尔频谱损失系数为45，训练轮数为20000，学习率为0.0001，学习率衰减为0.999875，初始学习率比例为1，日志记录间隔为200，随机种子为1234，片段大小为17280，是否使用FP16为是。GPU编号为0，是否缓存数据到GPU为否。
训练过程总训练轮数为80，每轮保存模型。