የድምጽ AI መመሪያ

ታኮቶን 2

Tacotron 2 ከ Google (2017) ከጫፍ እስከ ጫፍ ከጽሁፍ ወደ ንግግር ስርአት ሲሆን የፅሁፍ ፅሁፍ በቀጥታ ወደ ሜል-ስፔክትሮግራም የሚቀይር ሲሆን ይህም የነርቭ ቮኮደር ወደ ህይወት መሰል ንግግር ይለውጣል።

2 ሚን አንብብለመጨረሻ ጊዜ የዘመነው

አጠቃላይ እይታ

It produced audio rivaling human recordings on key benchmarks.

ጥልቅ ዳይቭ

Tacotron 2 ሁለት ዋና ዋና ክፍሎች አሉት. በመጀመሪያ፣ የተከታታይ-ወደ-ተከታታይ አውታረ መረብ ትኩረት ያለው የጽሑፍ ቁምፊዎችን ያነባል እና የሜል-ስፔክትሮግራም ፍሬም በፍሬም ይተነብያል። ኢንኮደር ቁምፊዎችን ወደ የተደበቁ ውክልናዎች ይቀይራቸዋል፣ አካባቢን ትኩረት የሚስብ የትኩረት ዘዴ ጽሑፍን ከድምጽ ክፈፎች ጋር ያስተካክላል፣ እና ንግግሩ ሲያልቅ 'ማቆሚያ ቶከን' በሚማርበት ጊዜ አውቶማቲክ ዲኮደር ስፔክትሮግራሙን ያወጣል። ሁለተኛ፣ የተሻሻለው WaveNet ቮኮደር ያንን mel-spectrogram ወደ ጥሬ ሞገድ ይለውጠዋል። ችግሩን በዚህ መንገድ በመከፋፈል Tacotron 2 በትንሹ የእጅ ምህንድስና ከዳታ ፕሮሶዲ፣ አነባበብ እና ፍጥነትን ይማራል። ለሙያዊ ቅጂዎች የቀረበ አማካይ የአስተያየት ነጥብ አስመዝግቧል፣ይህም በተፈጥሮ-ድምፅ ውህድ ውስጥ ጉልህ ስፍራ ያለው እና በኋላ ላይ የነርቭ ቲኤስኤስ አብነት ያደርገዋል።

ቴክኒካዊ ግንዛቤ

ሜል-ስፔክትሮግራም በሁለቱ አውታረ መረቦች መካከል ያለው ብልህ በይነገጽ ነው፡ ለትኩረት ሞዴሉ ለመተንበይ የታመቀ እና ቀላል ነው፣ ነገር ግን ቮኮደር ከፍተኛ ታማኝነት ያለው ኦዲዮን እንደገና እንዲገነባ በቂ ሀብታም ነው። አካባቢ-ትብ ትኩረት ያለፈውን አሰላለፍ ግምት ውስጥ በማስገባት እንደ ተደጋጋሚ ወይም የተዘለሉ ቃላቶች ያሉ የተለመዱ ውድቀቶችን ይከላከላል፣ እና የተማረ የማቆሚያ ምልክት ያለው አውቶማቲክ ዲኮደር ሞዴሉ ተለዋዋጭ ርዝመት ያላቸውን ዓረፍተ ነገሮች በሚያምር ሁኔታ እንዲይዝ ያስችለዋል።

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።

የ Tacotron የወደፊት ዕጣ 2

የ Tacotron 2 ባለ ሁለት ደረጃ ንድፍ የነርቭ ቲ ቲ ኤስ ማዕበልን አነሳሳ። እንደ FastSpeech 2 ያሉ ፈጣን ራስ-ሰር ያልሆኑ ተተኪዎች ለፍጥነት እና መረጋጋት ተከታታይ ዲኮደርን አስወግደዋል፣ እና WaveNet vocoder አሁን ብዙ ጊዜ ለHiFi-GAN ወይም ስርጭት ሞዴሎች ይቀየራል። መስኩ ሙሉ በሙሉ ከጫፍ እስከ ጫፍ እና ወደ ብዙ ተናጋሪ፣ ገላጭ እና ዜሮ-ሾት የድምጽ ክሎኒንግ ሲስተሞች እየተንቀሳቀሰ ነው፣ ነገር ግን Tacotron 2 በስፔክትሮግራም ላይ ለተመሰረቱ የቧንቧ መስመሮች መሰረታዊ ማጣቀሻ ሆኖ ይቆያል።

የእውነተኛ-ዓለም አተገባበር

በGoogle የጽሑፍ-ወደ-ንግግር ምርቶች እና ረዳቶች ውስጥ የተፈጥሮ-ድምጽ ድምጾችን ማብቃት

ለኦዲዮ መጽሐፍት እና ፖድካስቶች ገላጭ ትረካ በማመንጨት ላይ

ለስክሪን አንባቢዎች እና የተደራሽነት ሶፍትዌር ድምጽ መስጠት

ለነርቭ TTS ቧንቧዎች እንደ የምርምር መነሻ እና የማስተማር ምሳሌ ማገልገል

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

1

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

2

በተለያዩ የድምጽ ማጉያዎች እና የበስተጀርባ ሁኔታዎች ላይ ጥራትን ይሞክሩ።

3

አንድ ሰው መቼ ውጤቶችን መገምገም ወይም ማጽደቅ እንዳለበት ይግለጹ።

4

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

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 Tacotron 2 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

ፕሮሶዲ ሞዴሊንግ

ቀጣዩን መመሪያ ያንብቡ ሁሉንም ጥያቄዎች ያስሱ

በተደጋጋሚ የሚጠየቁ ጥያቄዎች

What is Tacotron 2?

Tacotron 2 ከ Google (2017) ከጫፍ እስከ ጫፍ ከጽሁፍ ወደ ንግግር ስርአት ሲሆን የፅሁፍ ፅሁፍ በቀጥታ ወደ ሜል-ስፔክትሮግራም የሚቀይር ሲሆን ይህም የነርቭ ቮኮደር ወደ ህይወት መሰል ንግግር ይለውጣል። በቁልፍ መለኪያዎች ላይ ተቀናቃኝ የድምጽ ቅጂዎችን አዘጋጅቷል።

Tacotron 2 ከጽሑፍ ምን መካከለኛ ውክልና ይተነብያል?

የ Tacotron 2 ተከታታይ-ወደ-ተከታታይ አውታረመረብ ሜል-ስፔክትሮግራም ይተነብያል፣ እሱም ቮኮደር ከዚያም ወደ ኦዲዮ ይቀየራል።

የ Tacotron 2ን ስፔክቶግራም ወደ ትክክለኛ የሞገድ ቅርጽ የሚለውጠው ምንድን ነው?

Tacotron 2 የመጨረሻውን ጥሬ ድምጽ ለማመንጨት የስፔክትሮግራም ትንበያውን ከተሻሻለው WaveNet vocoder ጋር ያጣምራል።

አካባቢን የሚነካ ትኩረት ምን ችግርን ለመከላከል ይረዳል?

የቀደሙትን አሰላለፍ ግምት ውስጥ በማስገባት አካባቢን የሚነካ ትኩረት እንደ ቃላቶች መደጋገም ወይም መጣል ያሉ ውድቀቶችን ይቀንሳል።

Tacotron 2 መቼ ንግግር ማመንጨት ማቆም እንዳለበት እንዴት ያውቃል?

አውቶማቲክ ዲኮደር የማቆሚያ ቶከንን ይተነብያል፣ ይህም ሞዴሉ የተለያየ ርዝመት ያላቸውን ዓረፍተ ነገሮች እንዲይዝ ያስችለዋል።

የጽሑፍ-ወደ-ስፔክትሮግራም ክፍል ምን ዓይነት አጠቃላይ የአርክቴክቸር ዘይቤ ይጠቀማል?

Tacotron 2 የመቀየሪያ-ዲኮደር ቅደም ተከተል-ወደ-ቅደም ተከተል ሞዴልን በካርታ ገጸ-ባህሪያት ለስፔክትሮግራም ክፈፎች ትኩረት ይሰጣል።

ተዛማጅ መመሪያዎች