本文提出了一种基于扩散的概率端到端模型，用于生成原始语音波形，该模型通过自回归的方式顺序生成重叠帧，可以实现无限语音时长的合成，并保持高保真度和时间连贯性，通过直接处理波形具有优势，可以创建局部声学行为，同时该模型是随机的，生成略有差异的波形变体，实验结果表明相较于其他最先进的神经语音生成系统，所提出的模型具有更高的合成质量。

Oct, 2023

本文介绍了 UnDiff，一种扩散概率模型，能够解决各种语音反问题，并可以应用于条件不同的任务，如降级反演、神经声波编解码和语音来源分离等。首先，我们比较了不同的神经架构和预处理方法来解决无条件波形生成的难题，并通过最新的扩散模型后处理技术演示了如何将无条件扩散模型应用于语音处理中的不同任务。最终，在带宽扩展、去剪辑、声学编解码和语音来源分离等任务上展示了所提出的技术的性能，并与基线进行比较。

Jun, 2023

利用高保真多带扩散模型，基于低比特率离散表示生成任何类型的音频，其感知质量比最先进的生成技术更好。

Aug, 2023

NU-Wave 是第一个基于神经声码器设计的扩散概率模型进行音频超分辨率处理，可以将粗糙的 16kHz 或 24kHz 的采样率升高到 48kHz。NU-Wave 在各项性能测试中表现优异，且仅需要 3.0M 的参数，比基线模型小很多。

Apr, 2021

FastDiff 是一种快速条件扩散模型，通过应用时间感知的位置可变卷积和噪声预测器，实现了高质量语音合成，并在端到端文本到语音合成中实现了高保真度的语音波形生成，速度快达 58 倍。

Apr, 2022

WaveGrad 是一种基于分数匹配和扩散概率模型生成波形的条件模型，它使用梅尔频谱来限制采样过程，并可通过调整迭代次数来平衡生成质量和速度。实验结果表明 WaveGrad 能够生成高保真度的音频样本，超越对抗样本和自回归模型，并通过少量的循环操作匹配了强度的似然自回归模型。

Sep, 2020

本文介绍了一种新型非自回归 TTS 模型 Diff-TTS，以噪声信号与扩散时间步长探索去噪扩散框架，同时引入基于可能性的 TTS 优化方法，利用加速采样方法提高波形合成速度，实验证明 Diff-TTS 单独搭载一枚 NVIDIA 2080Ti 显卡比实时生成快 28 倍，并且质量良好。

Apr, 2021

本文介绍了一种小型的 WaveFlow 产生式流，可以训练原始音频并合成高保真语音，只需几个步骤即可生成成千上万个时间步长的波形，并具有比 WaveGlow 小 15 倍的参数和 42.6 倍的音频合成速度。

Dec, 2019

该研究介绍了 WaveNet，一种用于生成原始音频波形的深度神经网络，该模型是完全概率的和自回归的，应用于文本到语音，产生了最先进的性能，用于模拟音乐，生成新颖且高度逼真的音乐片段，并可作为一种判别模型返回有希望的语素识别结果。

Sep, 2016

通过提出一种基于小波的扩散方案以及使用重构项来提高模型训练收敛性，本文旨在缩小扩散模型与 GAN 模型之间速度差距，实验结果证明该方案是实现实时高保真扩散模型的基础。

Nov, 2022