2024リファクタ方針

[phenylshima]

現時点での各モジュールの責務

1. Model
   • htsvoiceをパースする（parser）
   • モデルを表現するstruct群/関数群を提供する
   • morphingを行う
   • 決定木に従ったパラメータ決定を行う
2. Label
   • Label列をパースする
3. SStream
   • ModelとLabelからパラメータ(mean, vari)を取ってくる
   • 各Stateの長さを決定する
4. PStream
   • 無声区間を決定する
   • 無声区間を無視しながら，各Streamのmean/ivarのベクトルを生成する
   • 自然につながるよう行列計算を行う
5. GStream
   • PStreamで無視された無声区間を埋め戻しながら，パラメータ列を生成する
   • Vocoderを呼び出して音声合成を行う

計画

方針

• 決定木によるパラメータ取得と計算を近づけ，中間のVecを不要にする
• パラメータ取得（決定木）とモーフィングはそれぞれ抽象化する
• パラメータ生成の各段階を分離し，人間が介入する余地を作る
• ラベルにjlabelをそのまま突っ込めるようにする
• 音素継続長の供給を抽象化し，ラベル中の時刻列から取得するか，ラベルを用いた推定で取得するかを選択する

手順

パラメータ取得

• Model trait
  • htsvoiceのパーサー等が実装する
  • Interporatorも実装する（内部に複数のModelをもつ）
  • 要求に応じて決定木やパラメータを（必要なら構築して）返す
• DecisionTree struct
  • 決定木の構造を保持し，Walkを実装する
• ProbabilityDistributions trait
  • 確率密度関数列
  • IDをとってmeanとvariを返す
  • MSDもこの一種（ただしvari=0）として実装する
  • Interporatorはここで重みづけを行う

ラベルファイルのパース(utilの類)

• LabelParser struct

パラメータ推定・合成

• DurationEstimator struct
  • 音素長を推定する
  • 指定された時刻がある場合と，ない場合がある
  • 話速を供給する
• MlpgAdjust struct
  • Vec<(mean: f64, vari: f64, msd: bool)>をとり，Mlpgで調整してVec<f64>を返す
  • GVも行う（パラメータをどう渡すかは検討中）
  • 無声区間を抜いてからMlpgに渡し，無声区間を埋め戻すところまで行う
• Vocoder struct

ピッチ調整は呼び出し側(Engine)の責務とする．
Streamを番号で指定するのはやめ，MCP, LF0, LPFのいずれかの名称を使う（ところでMCPって何？）．