概要

BigVGANは以下の公式リポジトリで実装されているが，自身の都合上BigVGAN以外のVocoderモデルとも性能比較を行いたかったため，自身のリポジトリを作成した．
https://github.com/NVIDIA/BigVGAN

以下のrepoに色々比較したいモデルを実装している．
現状はWaveNeXt以外のモデルは安定して学習できている状況である．
特に学習済みモデルは提供していないが，了承願いたい．
https://github.com/reppy4620/vocoders

本題に入るが，公式リポジトリには最近BigVGAN v2なるものが追加された．
主な変更点としては，

• MultiScaleMelSpectrogramLossの使用
• MultiScaleSubbandCQTDiscriminatorの使用
  というように，Mel spectrogram lossをMulti scaleのものにして，UnivNetのMultiResolutionDiscriminatorだったところをMultiScaleSubbandCQTDiscriminatorに変更しているといった具合である．

一方で，BigVSANというモデルがSONYから発表されている
https://github.com/sony/bigvsan
実装も公開されており，BigVGANの実装をそのまま使っているようなものである．

これによると，Discriminatorの最終convとLossを特定のものに変えるだけで性能向上が図れると主張されている．
SANについてはvocoderだけに限らずGANに対して適用できるため汎用性が高い．
これもDiscriminatorとLossに適用して試すこととする．

実験条件

そこで，以下の実験条件で実験を行った．

• データ：JSUT(https://sites.google.com/site/shinnosuketakamichi/publication/jsut)
  • 24kHz
• モデル：BigVGAN with NSFのSource Excitation module
  • つまり，F0を入力している
  • これは経験的に通常のモデルよりも良かったためである．
• 100万step
• batch size : 16
• FP16
• AdamW(lr=3e-4, betas=(0.8, 0.99) with ExponentialLRSchedule

比較対象

1. BigVGAN with NSF
2. BigVGAN-v2 with NSF
3. BigVSAN with NSF

つまり，1と2，2と3を比較することで，変更されたDiscriminatorとLossの有効性，SANの有効性を検証しようというものである．

実験結果

客観評価として，PESQ，UTMOSを見ることとした．
本来MCDとかPeriodicityとか見るべきと思ったが，とりあえずの指標を見た．

PESQ

v1	v2	v2-san
3.9970	3.5736	3.5876

UTMOS

GT	v1	v2	v2-san
3.8329	3.8018	3.5833	3.5797

今回の結果から言うとv1が一番良く，v2とSANの効果は微妙で，学習条件との兼ね合いとかで駄目だったのかもしれない．
また，SANによる効果はあまり見られず，ほぼ誤差のような結果となった．
SANの適用により，若干学習が遅くなるため，現状は適用しなくて良いかもしれない．

以上の結果はあくまで今回の実験条件におけるものであるため，そこまで信用できないが得られた結果として投稿しておく．