ምንጭ-አጣራ ቮኮዲንግ እና አለም
ቮኮደር ንግግርን ወደ ግንባታ ብሎኮች ወስዶ መልሶ የሚገነባ መሳሪያ ነው።
አጠቃላይ እይታ
The source-filter model and the WORLD vocoder are classic methods that power text-to-speech and voice conversion by separating what your vocal cords do from what your mouth shapes.
ጥልቅ ዳይቭ
የምንጭ-ማጣሪያው ሞዴል ንግግርን የሚገልጸው እንደ ሁለት ክፍሎች አብረው እንደሚሰሩ ነው፡- ምንጭ (ከእርስዎ የሚርገበገቡ የድምጽ ገመዶች ለድምፅ ድምፆች ወይም ጫጫታ ያለው አየር ሹክሹክታ እና ተነባቢ) በማጣሪያ (የጉሮሮዎ፣ የአፍዎ እና የአፍንጫዎ የሚያስተጋባ ቅርፅ) ያልፋል። አንድ ቮኮደር እነዚህን ቁርጥራጮች ለመገመት የተቀዳውን ድምጽ ይመረምራል ከዚያም አዲስ ኦዲዮን ከነሱ ያዋህዳል። በ2016 አካባቢ በማሳኖሪ ሞሪዝ የተለቀቀው ዓለም ከፍተኛ ጥራት ያለው ቮኮደር ሶስት መለኪያዎችን ያወጣል፡ F0 (የምንጩን የፒች ኮንቱር)፣ ስፔክትራል ኤንቨሎፕ (ማጣሪያው፣ በCheapTrick ስልተ-ቀመር) እና አፒሪዮዲቲ (ምን ያህል ጫጫታ ከድምፅ ጋር፣ በፕላቲNUM/D4C በኩል)። እነዚህ ሶስት ዥረቶች በተናጥል ሊሻሻሉ እና እንደገና ሊዋሃዱ ይችላሉ፣ ይህም አለምን ለፓራሜትሪክ TTS እና ለድምጽ ስርዓቶች የዘፈን የስራ ፈረስ ያደርገዋል።
ቴክኒካዊ ግንዛቤ
የዓለም ኃይል የሚመጣው ከንጹሕ መለያየት ነው። CheapTrick ለትንንሽ የF0 ስህተቶች ጠንካራ የሆነ ለስላሳ ስፔክትራል ኤንቨሎፕ ይገምታል፣ DIO/Harvest track pitch እና D4C ደግሞ የባንድ አፕሪዮዲሲቲን ይለካሉ። ቃና፣ ግንድ እና ጫጫታ በተለያዩ የመለኪያ ዥረቶች ውስጥ ስለሚኖሩ፣ ድምጹ ማን እንደሚመስል ሳይቀይሩ F0ን በአንድ octave ከፍ ማድረግ ወይም ድምጹን ሳይቀይሩ የቆይታ ጊዜን መዘርጋት ይችላሉ። እንደ WaveNet ያሉ የነርቭ ቮኮደሮች በኋላ ላይ የሞገድ ቅርፁን በቀጥታ ቀርፀውታል፣ ነገር ግን አለም ፈጣን፣ የሚተረጎም እና ከፈቃድ ነጻ ሆኖ ይቆያል።
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።
የምንጭ-ማጣሪያ ቮኮዲንግ እና የዓለም የወደፊት
ንፁህ የምልክት ማቀናበሪያ ቮኮደሮች በአብዛኛው በነርቭ ቮኮደሮች (HiFi-GAN, WaveRNN) ተይዘዋል ለከፍተኛ-መጨረሻ ተፈጥሯዊነት, ነገር ግን ዓለም አልጠፋም. እሱ እንደ ፈጣን፣ ለሲፒዩ ተስማሚ የሆነ የፊት ጫፍ በድምፅ-መለዋወጫ ቧንቧዎች ውስጥ፣ የዘፈን አቀናባሪዎች እና የምርምር መነሻዎች ሆኖ ይኖራል፣ እና F0-plus-spectral-envelope ባህሪያቱ አሁንም ብዙ የነርቭ ሞዴሎችን ይመገባሉ። የአለም አይነት ሊተረጎሙ የሚችሉ መመዘኛዎች የነርቭ ዲኮደሮችን የሚመሩበት ዲቃላ ስርዓቶችን ይጠብቁ፣ ይህም ለፈጣሪዎች እውነታውን ሳይከፍሉ በድምፅ እና በእንጨት ላይ ትክክለኛ ቁጥጥር ያደርጋሉ።
የእውነተኛ-ዓለም አተገባበር
ንግግሩን ለመረዳት በሚያስችልበት ጊዜ የድምጽ መለዋወጫ መሳሪያዎች የተናጋሪውን ቃና እና ቲምበር የሚቀይሩ መሳሪያዎች
በአዳዲስ ቃናዎች ላይ ማስታወሻዎችን እንደገና የሚያዘጋጁ (እንደ UTAU/NNSVS ስነ-ምህዳር ያሉ) የዘፈን ድምጽ አቀናባሪዎች
ድምጽ ከማሰማትዎ በፊት F0፣ spectral እና aperiodicity ዥረቶችን የሚያመነጩ ፓራሜትሪክ የጽሑፍ-ወደ-ንግግር ሥርዓቶች
የንግግር ምርምር መነሻዎች ለድምፅ መቀያየር፣ ጊዜ ማራዘሚያ እና ፕሮሶዲ አርትዖት ያለ ዳግም ስልጠና
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
Free newsletter
Get the daily AI briefing
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 Source-Filter Vocoding and WORLD quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
ቀጣይ መመሪያ
Demucs ሙዚቃ ምንጭ መለያየት
በተደጋጋሚ የሚጠየቁ ጥያቄዎች
What is Source-Filter Vocoding and WORLD?
ቮኮደር ንግግርን ወደ ግንባታ ብሎኮች ወስዶ መልሶ የሚገነባ መሳሪያ ነው። የምንጭ ማጣሪያ ሞዴል እና የአለም ድምጽ ማጉያ የድምፅ ገመዶችዎ የሚያደርጉትን ከአፍዎ ቅርጽ በመለየት ከጽሑፍ ወደ ንግግር እና ድምጽ መለወጥን የሚያበረታቱ ጥንታዊ ዘዴዎች ናቸው።
በንግግር ምንጭ-ማጣሪያ ሞዴል ውስጥ፣ 'ማጣሪያው' ምንን ይወክላል?
ማጣሪያው የድምፅ ትራክቱ ድምጽ ነው - ድምጹን የሚያጎላ የጉሮሮ፣ የአፍ እና የአፍንጫ ቅርጽ። ምንጩ የድምፅ-ገመድ buzz ወይም ጫጫታ የአየር ፍሰት ነው።
የዓለም ድምፃዊ ከንግግር የሚያወጣው የትኞቹን ሶስት መለኪያዎች ነው?
አለም ንግግርን ወደ መሰረታዊ ድግግሞሽ(F0)፣ ስፔክትራል ኢንቨሎፕ (ቲምሬ/ማጣሪያ) እና አፒሪዮዲቲ (የድምፅ እና የቃና ሚዛን) ያበላሻል።
ስፔክትራል ኤንቨሎፕን ለመገመት የአለም አልጎሪዝም ስም ማን ይባላል?
CheapTrick በፒች ግምቱ ላይ ለትንንሽ ስህተቶች ጠንካራ የሆነ ለስላሳ ስፔክትራል ፖስታ ይገምታል።
ለምንድነው ፒትን ከ spectral ኤንቨሎፕ መለየት ጠቃሚ የሆነው?
ሬንጅ (F0) እና ቲምበሬ (ስፔክትራል ኤንቨሎፕ) ራሳቸውን የቻሉ ዥረቶች በመሆናቸው የተናጋሪ ማንነትን በሚጠብቁበት ጊዜ ድምጽን ከፍ ማድረግ ወይም ዝቅ ማድረግ ይችላሉ።
ዓለም እንደ HiFi-GAN ካሉ የነርቭ ቮኮደሮች ጋር እንዴት ይነጻጸራል?
ዓለም የምልክት ማቀናበሪያ ድምጽ ነው፡ ፈጣን፣ ሊተረጎም የሚችል እና ለሲፒዩ ተስማሚ። የነርቭ ቮኮደሮች በተለምዶ ከፍ ያለ ተፈጥሯዊነት ያገኛሉ ነገር ግን የበለጠ ክብደት አላቸው.