使用Tacotron生成梅尔频谱时出现shape不匹配RuntimeError

错误根因 #

这个错误属于张量形状匹配异常，报错信息中目标形状总元素数1*1*399194=399194，实际输入总元素数是798388，正好是2倍关系，对应以下三类常见原因：

• 音频通道不匹配：你使用的输入音频是双声道（立体声），但代码默认处理单声道音频，双声道的采样点总数正好是单声道的2倍，是该报错最常见的诱因
• 采样率配置不匹配：加载的音频实际采样率是代码设定采样率的2倍（比如代码要求22050Hz，你用了44100Hz的音频未做重采样），导致总采样点数翻倍
• 梅尔谱计算参数不匹配：你修改了hop_length/n_fft/n_mels这类梅尔谱计算的核心参数，和教程/预训练模型要求的参数不一致，导致输出的梅尔谱总长度和预期存在倍数偏差

解决方案 #

• 加载音频时强制指定单声道，以librosa为例，加载代码修改为：

  y, sr = librosa.load(音频文件路径, sr=22050, mono=True)
  

  确保输入音频的通道数符合代码要求
• 核对所有音频处理参数和教程给出的默认值完全一致，重点检查采样率、帧移、帧长、梅尔滤波器数量四个参数，不要私自修改默认配置
• 若仍未解决，可在代码中reshape操作前添加打印语句，输出当前张量的实际形状和总元素数，定位是哪个环节导致的张量长度翻倍

内容的提问来源于stack exchange，提问作者Y gen