关于 THCHS30-Synth 重合成方法及基频标注误差的问题

[Yuemei0]

作者您好，

感谢您分享 FCPE 的论文和代码。

论文第 3.1 节提到，为了减少人工标注带来的误差，您使用 DDSP 对 THCHS30 测试集进行了重合成，并构建了 THCHS30-Synth 数据集。我希望复现类似的数据构建流程，因此想请教以下问题：

1. 请问重合成时使用的是哪一种 DDSP 实现、模型权重和配置？重合成 M4Singer、VCTK 训练数据时是否也使用了相同的流程？

2. DDSP 所需的 F0、响度以及清浊音等条件信息是如何获得的？例如，F0 是通过某种基频提取算法从原始音频中提取的，还是来自数据集原有标注？是否进行了平滑或人工修正？

3. 在 THCHS30-Synth 上计算 RPA 时，使用的参考 F0 是输入 DDSP 合成器的 F0 控制轨迹，还是从重合成音频中重新提取的 F0？

4. 请问您是否评估过输入 DDSP 的目标 F0 与重合成音频实际呈现的 F0 之间的偏差？

5. 后续是否有计划公开 THCHS30-Synth 数据集，或者重合成所使用的代码、配置和数据处理脚本？

我主要想了解，DDSP 重合成音频是否可以作为细粒度 F0 评测中的高精度 ground truth。

感谢您的时间与帮助！