የነርቭ ቮኮደሮች መመሪያ

አጠቃላይ እይታ

It is the final stage that gives modern text-to-speech and voice cloning their natural, human sound.

ጥልቅ ዳይቭ

ባህላዊ የንግግር ውህደቱ ብዙውን ጊዜ ግርግር ወይም ሮቦት የሚመስሉ የምልክት ማቀነባበሪያ ቮኮደሮችን ተጠቅሟል። የነርቭ ቮኮደሮች በእውነተኛ ቅጂዎች ሰዓታት ላይ በማሰልጠን ጥሬ የድምጽ ናሙናዎችን ከስፔክትሮግራም እንደገና መገንባት ይማራሉ ። WaveNet (DeepMind, 2016) ኦዲዮ አንድ ናሙና በአንድ ጊዜ በ16,000+ ናሙናዎች በሴኮንድ ይተነብያል፣ አስደናቂ የተፈጥሮ ንግግር ግን በጣም በዝግታ ነበር። በኋለኞቹ ሞዴሎች ያንን አውቶማቲክ ማነቆን ለፍጥነት ይገበያዩ ነበር፡ WaveGlow በፍሰት ላይ የተመሰረተ ትውልድን ተጠቅመዋል፣ ትይዩ ዌቭጋን እና ሜልጋን አመንጪ ተቃራኒ ኔትወርኮችን ተጠቅመዋል፣ እና HiFi-GAN ከፍተኛ ታማኝነት ያለው 22kHz ድምጽ ከእውነተኛ ጊዜ በፍጥነት በማመንጨት ታዋቂ ደረጃ ሆኗል። ዛሬ ቮኮደር ሁልጊዜ ማለት ይቻላል የሁለት-ደረጃ የቧንቧ መስመር ሁለተኛ አጋማሽ ነው, እንደ Tacotron 2 ወይም FastSpeech ካሉ የአኮስቲክ ሞዴል ጋር ተጣምሮ mel-spectrogram.

ቴክኒካዊ ግንዛቤ

ሜል-ስፔክትሮግራም የኦዲዮውን የደረጃ መረጃ ይጥላል፣ ይህም ሃይል በጊዜ ሂደት በፍሪኩዌንሲ ባንዶች እንዴት እንደሚከፋፈል ብቻ ይቆጥባል። የድምፃዊው ከባድ ስራ መጠኑ ከዚህ ግቤት ጋር የሚመሳሰል አሳማኝ፣ ወጥ የሆነ የሞገድ ቅርጽ መፍጠር ነው። እንደ HiFi-GAN ያሉ በጋን ላይ የተመሰረቱ ቮኮደሮች ምልክቱን በተለያዩ ሚዛኖች እና በየጊዜው የሚፈትሹ ብዙ አድሎአቾችን ይጠቀማሉ፣ ጄኔሬተሩን በመግፋት እንደ ሃርሞኒክስ እና ተነባቢዎች ሹል መሸጋገሪያዎች ያሉ ትክክለኛ ዝርዝሮችን እንዲያወጣ ይገፋፋሉ።

ስልታዊ ተጽእኖ

መድረስ እና መድረስ

በጽሑፍ፣ በትረካ እና በድምፅ በይነገጾች ተደራሽነትን ያሻሽላል።

ወጪ እና በጀት

የሚዲያ ቡድኖች በትንሽ በጀቶች የተጣራ ድምጽ በፍጥነት መላክ ይችላሉ።

ፍጥነት እና ልኬት

ከደንበኛ ጋር የሚገናኙ ስርዓቶች የንግግር ግንኙነቶችን በትልቁ ደረጃ ማካሄድ ይችላሉ።

የነርቭ ቮኮደሮች የወደፊት ዕጣ

ቮኮደሮች እየቀነሱ እና በፍጥነት እየጨመሩ በስልኮች እና በተገጠሙ መሳሪያዎች ላይ ያለ ደመና ግንኙነት መስራት ይችላሉ። እንዲሁም ወደ ሁለንተናዊ ቮኮደሮች የሚገፋፋ ሲሆን ይህም ወደ ማንኛውም ተናጋሪ፣ ቋንቋ፣ ዘፈን፣ ወይም ደግሞ የንግግር ያልሆነ ድምጽ እንደገና ሳይለማመድ። ትይዩ የሆነ አዝማሚያ ቮኮደሩን በቀጥታ ከጫፍ እስከ ጫፍ ስርዓቶች እና ነርቭ ኮዴኮችን በማጠፍ በተለያዩ የአኮስቲክ እና የሞገድ ፎርም ደረጃዎች መካከል ያለውን መስመር በማደብዘዝ እና በመካከለኛው ስፔክትሮግራም ውስጥ በማለፍ የሚያስተዋውቁትን ቅርሶች ይቀንሳል።

የእውነተኛ-ዓለም አተገባበር

እንደ ስክሪን አንባቢ እና አሰሳ መተግበሪያዎች ያሉ ከጽሑፍ ወደ ንግግር ረዳቶች ውስጥ የመጨረሻውን የተነገረ ድምጽ ማመንጨት

በድብብንግ እና በድምጽ መጽሃፍ ትረካ መሳሪያዎች ውስጥ ተፈጥሯዊ ድምጽ ያላቸው ክሎድ ድምፆችን ማምረት

በ AI ሙዚቃ እና በቨርቹዋል-ድምፃዊ ሶፍትዌር ውስጥ የዘፈን ድምጾችን እንደገና መገንባት

ለስማርት ስፒከሮች እና የተደራሽነት መሳሪያዎች በመሳሪያ ላይ የድምጽ ውፅዓትን ያለ አገልጋይ ዙር-ጉዞ ማብቃት።

አደጋዎች እና የጥበቃ መንገዶች

ስምምነት ሲጠፋ የድምፅ አላግባብ መጠቀም እና የማስመሰል አደጋዎች ይጨምራሉ።

ትክክለኛነት በአነጋገር ዘዬዎች፣ ቀበሌኛዎች ወይም ጫጫታ አካባቢዎች ላይ ሊወድቅ ይችላል።

ሰራሽ ኦዲዮ ግልጽ ምልክት ሳይደረግበት ለትክክለኛ ንግግር ሊሳሳት ይችላል።

የትግበራ ፍኖተ ካርታ

ለድምጽ ቀረጻ፣ ክሎኒንግ እና እንደገና ጥቅም ላይ ለማዋል ግልጽ የሆነ ፈቃድ ያግኙ።

በተለያዩ የድምጽ ማጉያዎች እና የበስተጀርባ ሁኔታዎች ላይ ጥራትን ይሞክሩ።

አንድ ሰው መቼ ውጤቶችን መገምገም ወይም ማጽደቅ እንዳለበት ይግለጹ።

ሰው ሰራሽ ኦዲዮን ይሰይሙ እና ለተጠያቂነት የፕሮቨንስ መዝገቦችን ያስቀምጡ።

ማሰስዎን ይቀጥሉ

ድምጽ AI

የንግግር ስርዓቶች ቋንቋን እንዴት እንደሚያውቁ እና እንደሚያመነጩ ይወቁ።

መመሪያ ያንብቡ

AI ሙዚቃ

ዘመናዊ የሙዚቃ-ትውልድ መሳሪያዎችን እና ገደቦችን ይረዱ።

መመሪያ ያንብቡ

Free newsletter

Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.

One email each weekday. Unsubscribe in one click. We never sell or share your address.

Test yourself

Take the Neural Vocoders quiz

Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.

ጥያቄ ጀምር

Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation

ቀጣይ መመሪያ

HiFi-GAN እና GAN ቮኮደሮች

ቀጣዩን መመሪያ ያንብቡ ሁሉንም ጥያቄዎች ያስሱ

በተደጋጋሚ የሚጠየቁ ጥያቄዎች

What is Neural Vocoders?

የነርቭ ቮኮደር የታመቀ የአኮስቲክ ውክልናን፣ ብዙውን ጊዜ ሜል-ስፔክትሮግራምን ወደ ትክክለኛ ተሰሚ ሞገድ የሚቀይር ሞዴል ነው። ዘመናዊ ጽሑፍ-ወደ-ንግግር እና ድምጽ ተፈጥሯዊ እና ሰዋዊ ድምፃቸውን እንዲሸፍኑ የሚያደርግ የመጨረሻው ደረጃ ነው።

የነርቭ ድምጽ ማጉያ ዋና ሥራ ምንድነው?

የነርቭ ቮኮደር የታመቀ አኮስቲክ ባህሪን በተለይም ሜል-ስፔክትሮግራምን ይወስዳል እና እርስዎ የሚሰሙትን ትክክለኛ የኦዲዮ ሞገድ ቅርጽ ያዋህዳል።

የትኛው የ 2016 ሞዴል የነርቭ ቮኮደሮች ተፈጥሯዊ ድምጽ እንዲሰማቸው ያደረገው ግኝት ነበር?

WaveNet፣ ከ DeepMind እ.ኤ.አ.

ኦዲዮ ለማመንጨት የመጀመሪያው WaveNet ለምን ዘገየ?

WaveNet autoregressive ነው፡ እያንዳንዱ የድምጽ ናሙና በቀድሞዎቹ ላይ ስለሚወሰን በሰከንድ በአስር ሺዎች የሚቆጠሩ ናሙናዎችን ማመንጨት በስሌት ውድ ነበር።

የቮኮደርን ተግባር የበለጠ ከባድ የሚያደርገው ሜል-ስፔክትሮግራም ምን መረጃን ይጥላል?

ሜል-ስፔክትሮግራም መጠኑን ይጠብቃል (ኢነርጂ በፍሪኩዌንሲ ባንድ) ነገር ግን ደረጃን ይጥላል፣ ስለዚህ ቮኮደር ደረጃው አሳማኝ የሆነ ወጥ የሆነ ሞገድ ቅርፅን እንደገና መገንባት አለበት።

እንደ HiFi-GAN ያሉ በGAN ላይ የተመሰረቱ ቮኮደሮች እንዴት እውነታውን ያሻሽላሉ?

HiFi-GAN የተለያዩ የጊዜ መለኪያዎችን እና ወቅታዊ ሁኔታዎችን በመፈተሽ ብዙ አድሎአደሮችን ይጠቀማል፣ ጄኔሬተሩን ተጨባጭ ሃርሞኒኮችን እና መሸጋገሪያዎችን እንዲያመርት ይገፋፋል።