TacotronSTFT 提取mel(梅尔)频谱
为什么tacotron生成语音时需要先生成Mel(梅尔)频谱？ 一般认为语音的频域信号（频谱）相对于时域信号（波形振幅）具备更强的一致性（相同的发音频谱上表现一致但波形差别很大），经过加窗等处理后相邻帧的频谱具备连贯性，相比于波形数据具备更好的可预测性；另外就是频谱一般处理到帧级别，而波形处理采样点，数量多很多，计算量也自然更大，所以一般会先预测频谱，然后经由vocoder重建波形，把mel(梅尔)频谱特征表达逆变换为时域波形样本。
- mel频谱
傅立叶变换
音频信号由几个单频声波组成。 在一段时间内对信号进行采样时，我们仅捕获得到的幅度。 因为每个信号都可以分解为一组正弦波和余弦波，它们加起来等于原始信号。 这就是著名傅立叶定理。傅立叶变换是一个数学公式，它使我们可以将信号分解为单个频率和频率幅度。 换句话说，它将信号从时域转换到频域。 结果称为频谱。快速傅立叶变换（FFT）是一种可以有效计算傅立叶变换的算法。 它广泛用于信号处理。
短时傅立叶变换 - 生成频谱图
快速傅立叶变换是一种功能强大的工具，可让我们分析信号的频率成分。但是大多数音频信号的频率成分随时间变化，这些信号称为非周期性信号。 这时我们需要一种表示这些信号随时间变化的频谱的方法。 我们通过对信号的多个窗口部分执行FFT来计算多个频谱来解决这个问题，称为短时傅立叶变换。 FFT是在信号的重叠窗口部分上计算的，我们得到了所谓的频谱图。
- 短时傅立叶变换(STFT)
运行例子 - TacotronSTFTExample
运行成功后，命令行应该看到下面的信息:
x...# 测试语音文件：# src/test/resources/biaobei-009502.mp3
# 生成频谱矩阵：[INFO ] - melspec shape: [80, 379]
# 频谱矩阵：[INFO ] - Row 0: [-8.715169, -8.714043, -8.540381, ..., -8.508061, -8.397091][INFO ] - Row 1: [-8.985863, -8.835877, -8.99666, ..., -8.95394, -9.151459][INFO ] - Row 2: [-9.355588, -9.197474, -9.328396, ..., -10.741011, -10.295704]...[INFO ] - Row 77: [-11.512925, -11.512925, -11.512925, ..., -11.512925, -11.512925][INFO ] - Row 78: [-11.512925, -11.512925, -11.352638, ..., -11.512925, -11.512925][INFO ] - Row 79: [-11.512925, -11.512925, -11.512925, ..., -11.512925, -11.512925]
SDK代码下载地址：