---
title: "波形網路（WaveNet）"
slug: wavenet
language: zh-TW
source: https://aiterms.tw/terms/wavenet
updated_at: 2026-04-29
tags: [生成式AI, 深度學習, 自然語言處理, 模型訓練, AI應用]
ipas_term: false
---

# 波形網路（WaveNet）

> **你有沒有聽過一段語音，細節自然到像真人一樣，卻不知道它怎麼做出來的？**
>
> 你可以把 WaveNet 想成直接「一點一點生出聲波」的模型，不是先拼音節再湊成整句。
>
> 它重要，是因為這種做法能做出很細膩的語音品質，也改變了語音合成的設計方式。
>
> 你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。

### 容易混淆
> **WaveNet vs 傳統語音合成**
> 傳統語音合成常先切音素再拼接，WaveNet 是直接預測原始波形。
>
> **WaveNet vs 循環神經網路**
> RNN 是用時間順序記憶前後關係，WaveNet 主要靠因果卷積和膨脹卷積擴大感受野。
>
> **WaveNet vs 生成對抗網路**
> GAN 偏向用生成器和判別器對抗學習，WaveNet 是自回歸式地逐點生成波形。
>
> 最關鍵的區別：WaveNet 是直接從波形下手，不是先拚裝聲音零件。

### 記住這句就好
> 它不是拼聲音，而是直接長出聲波。

### 實際案例
> **高品質文字轉語音**
> 你要做導航、旁白或朗讀服務時，WaveNet 類模型能把文字轉成更自然的聲音，減少機器味。
>
> **語音風格保留**
> 如果產品想保留比較穩定的音色和停頓節奏，WaveNet 類模型常能比傳統拼接式方法更順。

### 算法與應用
> WaveNet 的兩個核心設計是因果卷積和膨脹卷積。
>
> | 設計 | 功能 |
> |---|---|
> | 因果卷積 | 預測現在時，只看過去，不偷看未來 |
> | 膨脹卷積 | 用較少層數看到更長的前後文 |
> | 自回歸生成 | 一個樣本接一個樣本地產生波形 |
>
> 代價是生成速度通常不快，因為它常要一步一步產生聲波。

### 情境判斷
> **Q1（直覺題）：** 你要做高品質語音合成，重視自然度勝過速度，WaveNet 合理嗎？
>
> → 合理，因為它很擅長做細膩、自然的波形。
>
> **Q2（判斷題）：** 如果你要的是超低延遲、即時生成，WaveNet 一定是最佳選擇嗎？
>
> → 不一定。它的品質常不錯，但生成速度偏慢，是否適合要看場景。

### 常見問題
> **Q：因果卷積是什麼？**
> 就是模型在預測目前聲波時，只能看過去的訊號，不能偷看未來。
>
> **Q：膨脹卷積有什麼用？**
> 它可以用比較少的層數看到更長的上下文，讓模型更容易抓住長距離依賴。
>
> **Q：WaveNet 為什麼聽起來比較自然？**
> 因為它直接學原始波形的細節，能保留很多微小的聲音變化。
>
> **Q：WaveNet 為什麼常被說慢？**
> 因為它通常要逐點生成波形，無法像某些模型那樣一次吐出整段聲音。

### 相關術語
> - **語音合成技術**：先看它，才能知道 WaveNet 用在哪個大方向
> - **循環神經網路**：先看它，才能比較不同序列模型的想法
> - **生成對抗網路**：先看它，才能分清不同生成模型的路線
> - **深度學習**：先看它，才能理解 WaveNet 的模型背景
> - **語言模型**：先看它，才能看懂自回歸生成的共通概念

---

來源：https://aiterms.tw/terms/wavenet
快查頁：https://aiterms.tw/terms/wavenet
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-wavenet