作者的灵感来源于在文章Fully Character-Level Neural Machine Translation without Explicit Segmentation中的模型。原型如下图所示：
CBHG模块如下图所示。首次提出在Goggle的一篇文章：TACOTRON: TOWARDS END-TO-END SPEECH SYNTHESIS
回到CBHG模块，该模块善于提取序列特征。下面为模块步骤：
1.输入序列，先经过K个1-D卷积，第K个卷积核（filter）通道为k。这些卷积核可以对当前以及上下文信息有效建模。
2.卷积输出被堆叠（stack）一起，沿着时间轴最大池化（maxpooling）以增加当前信息不变性。stride取为1维持时间分辨率。
3.然后输入到几个固定宽度的1-D卷积，将输出增加到起始的输入序列（参考ResNet连接方式）。所有的卷积都采用Batch Normalization.
4.输入多层的highway 网络。用以提取更高级别的特征。highway网络可以参考https://blog.csdn.net/l494926429/article/details/51737883
5.最后在顶部加入双向GRU，用于提取序列的上下文特征。
与原文中的不同是加入了batch normlization,残差连接以及stride=1的最大池化，表现比原文更好。