WaveNet: A Generative Model for Raw Audio

https://deepmind.com/blog/wavenet-generative-model-raw-audio/

每一秒的声音合成需要神经网络生成16000次audio samples，而每个audio sample都依赖之前的audio sample这样非常不科学。
解决这个问题似乎应该从声带，和口腔肌肉运动和发音的物理原理入手？难道在频域上合成是更好的选择？

虽然我没看太懂，但我给个小小的建议：
能否把取样弄得低一些，高取样带来的是更多高频的信息。而声音越是低频所含的有用信息越多，越是高频越是丰富声音的细节，就像图片一样，32x32像素的图片就能分辨图里是什么了，1k的图只是丰富了细节，那些细节的东西反而占用的资源比较高。

看了下WaveNet的代码，发现它是先把输入的波形强度转换成one-hot的向量，然后再做学习。这样做很奇怪，因为one-hot向量适合做分类，把它用来代表连续的波形并不合适，会因此引出很多麻烦。估计这部分该是迟早要改掉。