"超越真实基准"是那种要么让你翻白眼，要么让你点击播放的主张。RefineGAN用一个神经声码器支持这一说法，该声码器重建的波形具有如此精确的音高和强度响应，以至于听众有时更喜欢合成输出而不是原始录音——这在GAN声码器领域尚属首次。技巧在于一个音高引导的精细化架构，它从粗糙的模板信号开始，在多尺度谱和对抗损失下逐步改进。

除了令人印象深刻的MOS数值外，RefineGAN可以跨歌手、说话人甚至未见过的语言进行泛化，而无需重新训练，这对于大规模部署TTS或语音转换至关重要。讲座分解了基于模板的生成器、音高调节为何解锁了保真度增益、该模型与HiFi-GAN及其后代的位置关系。如果你正在构建任何将梅尔谱图转换回音频的系统——TTS、歌唱合成、语音克隆——这里的设计思想值得借鉴。