አጠቃላይ እይታ
በ2016 በ DeepMind የተዋወቀው WaveNet በአንድ ጊዜ ጥሬ ኦዲዮን አንድ ናሙና የሚያመነጭ፣ በሚያስደንቅ ሁኔታ ተፈጥሯዊ ንግግር እና ሙዚቃ የሚያመነጭ የነርቭ አውታረ መረብ ነበር። ለከፍተኛ ታማኝነት ጽሑፍ-ወደ-ንግግር ዘመናዊውን መስፈርት አዘጋጅቷል.
WaveNet ንግግርን፣ ሙዚቃን እና ድምጽን ለግንኙነት፣ ተደራሽነት እና የሚዲያ ምርት በሚቀይሩ የኦዲዮ-ኤአይ የስራ ፍሰቶች ውስጥ ተቀምጧል።
ጥልቅ ዳይቭ
WaveNet autoregressive generative model ነው፡ እያንዳንዱ የድምጽ ናሙና ከእሱ በፊት ባሉት ሁሉም ናሙናዎች ላይ በተለይም በ16,000 ወይም 24,000 ናሙናዎች በሰከንድ ይተነብያል። የእሱ ዋና ፈጠራ የተስፋፋ የምክንያት ውዝግቦች ቁልል ነው። ምክንያት ማለት አምሳያው በጊዜ ውስጥ ወደ ኋላ ብቻ ይመለከታል, የትውልድ ቅደም ተከተልን ይጠብቃል; መስፋፋት ማለት እያንዳንዱ ንብርብር በከፍተኛ ደረጃ እያደገ ያለ የናሙናዎችን ብዛት ይዘላል፣ ስለዚህ መጠነኛ ቁልል በሺዎች የሚቆጠሩ ናሙናዎችን (ሰፊ ተቀባይ መስክ) ያለ ትልቅ ወጪ ይሸፍናል። በቋንቋ ባህሪያት ወይም በሜል-ስፔክትሮግራም ላይ የተስተካከለ፣ WaveNet ንግግርን ከሱ በፊት ከነበሩት ተጓዳኝ እና ፓራሜትሪክ ቮኮደሮች የበለጠ ተፈጥሯዊ ንግግርን ያዘጋጃል፣ ይህም በሰዎች ቅጂዎች ላይ ያለውን ክፍተት በመዝጋት እና የGoogle ረዳት የመጀመሪያ ስሪቶችን ያበረታታል።
ቴክኒካዊ ግንዛቤ
የተዘበራረቁ ውዝግቦች ቁልፍ ብልሃቶች ናቸው፡ በ1፣ 2፣ 4፣ 8 እና በመሳሰሉት የማስፋፊያ ታሪፎች፣ አውታረመረብ በአስር የሚቆጠሩ ንብርብሮች ብቻ በሺዎች የሚቆጠሩ ያለፉ ናሙናዎችን መከታተል ይችላሉ፣ ይህም ሁለቱንም ጥሩ የሞገድ ቅርጽ ዝርዝሮችን እና ረጅም ፕሮሶዲክ መዋቅርን ይይዛል። ውፅዓት የእያንዳንዱን ናሙና እሴት እንደ ምድብ ስርጭት (በመጀመሪያ 256 ደረጃዎች በ mu-law companding) እና የተከለከሉ ማግበር ክፍሎች እና ቀሪ እና ዝለል ግንኙነቶች የዚህን ጥልቅ ቁልል ስልጠና ያረጋጋሉ።
ዌቭኔትን ማስተዳደር
በ2016 በ DeepMind የተዋወቀው WaveNet በአንድ ጊዜ ጥሬ ኦዲዮን አንድ ናሙና የሚያመነጭ፣ በሚያስደንቅ ሁኔታ ተፈጥሯዊ ንግግር እና ሙዚቃ የሚያመነጭ የነርቭ አውታረ መረብ ነበር። ለከፍተኛ ታማኝነት ጽሑፍ-ወደ-ንግግር ዘመናዊውን መስፈርት አዘጋጅቷል. WaveNet ንግግርን፣ ሙዚቃን እና ድምጽን ለግንኙነት፣ ተደራሽነት እና የሚዲያ ምርት በሚቀይሩ የኦዲዮ-ኤአይ የስራ ፍሰቶች ውስጥ ተቀምጧል። ጥልቅ ግንዛቤን ለመገንባት፣ WaveNetን እንደ ኦፕሬሽን ሞዴል እንጂ አንድ ባህሪ አይደለም፡ የሚፈለጉትን ውጤቶች ይግለጹ፣ ግምቶችን ያብራሩ እና ስርዓቱ ምን ማድረግ እንደሚችል አሁንም የባለሙያዎችን ፍርድ ከሚያስፈልገው ለይ።
በተግባር፣ WaveNetን የሚጠቀሙ ጠንካራ ቡድኖች ጥራትን፣ መዘግየትን እና ፍቃድን እንደ የማሰማራቱ ስትራቴጂ አስፈላጊ አካል አድርገው ይመለከታሉ። ግልጽ የስኬት መስፈርቶችን ይመዘግባሉ፣ በተጨባጭ መረጃ እና የስራ ፍሰቶች ላይ ይፈትሻሉ፣ እና የአንድ ጊዜ ቤንችማርክ ከማሸነፍ ይልቅ በተስተዋሉ የውድቀት ቅጦች ላይ ተመስርተው ይደግማሉ። ይህ የንድፈ ሃሳባዊ ግንዛቤ በምርት፣ ፖሊሲ እና ኦፕሬሽኖች ላይ ወደ ዘላቂ አቅም የሚቀየርበት ነው።
በጽሑፍ፣ በትረካ እና በድምፅ በይነገጾች ተደራሽነትን ያሻሽላል። በተመሳሳይ ጊዜ፣ ፍቃድ ሲጎድል የድምጽ አላግባብ መጠቀም እና የማስመሰል አደጋዎች ይጨምራሉ። በጣም ጠንካራው አካሄድ የሙከራ ፍጥነትን ከአስተዳደር ዲሲፕሊን ጋር ማጣመር ነው፡ አብራሪዎችን ማስኬድ፣ ማስረጃን መያዝ፣ የውሳኔ ምዝግብ ማስታወሻዎችን ማተም እና የሞዴል ባህሪ፣ የተጠቃሚ የሚጠበቁ እና የቁጥጥር መስፈርቶች ሲዳብሩ ጥበቃዎችን ያለማቋረጥ ማዘመን ነው።
ስልታዊ ተጽእኖ
በጽሑፍ፣ በትረካ እና በድምፅ በይነገጾች ተደራሽነትን ያሻሽላል።
በጽሑፍ፣ በትረካ እና በድምፅ በይነገጾች ተደራሽነትን ያሻሽላል። ከፍተኛ ጥራት ባለው ማሰማራት ውስጥ፣ ይህ ወደሚለካ የአሠራር ደንቦች፣ የባለቤትነት ወሰኖች እና ተደጋጋሚ የግምገማ ሥነ ሥርዓቶች ይተረጎማል ስለዚህ ቡድኖች አሻሚነትን ከማስፋት ይልቅ በራስ መተማመንን ሊጨምሩ ይችላሉ።
የሚዲያ ቡድኖች በትንሽ በጀቶች የተጣራ ድምጽ በፍጥነት መላክ ይችላሉ።
የሚዲያ ቡድኖች በትንሽ በጀቶች የተጣራ ድምጽ በፍጥነት መላክ ይችላሉ። ከፍተኛ ጥራት ባለው ማሰማራት ውስጥ፣ ይህ ወደሚለካ የአሠራር ደንቦች፣ የባለቤትነት ወሰኖች እና ተደጋጋሚ የግምገማ ሥነ ሥርዓቶች ይተረጎማል ስለዚህ ቡድኖች አሻሚነትን ከማስፋት ይልቅ በራስ መተማመንን ሊጨምሩ ይችላሉ።
ከደንበኛ ጋር የሚገናኙ ስርዓቶች የንግግር ግንኙነቶችን በትልቁ ደረጃ ማካሄድ ይችላሉ።
ከደንበኛ ጋር የሚገናኙ ስርዓቶች የንግግር ግንኙነቶችን በትልቁ ደረጃ ማካሄድ ይችላሉ። ከፍተኛ ጥራት ባለው ማሰማራት ውስጥ፣ ይህ ወደሚለካ የአሠራር ደንቦች፣ የባለቤትነት ወሰኖች እና ተደጋጋሚ የግምገማ ሥነ ሥርዓቶች ይተረጎማል ስለዚህ ቡድኖች አሻሚነትን ከማስፋት ይልቅ በራስ መተማመንን ሊጨምሩ ይችላሉ።
የእውነተኛ-ዓለም አተገባበር
ለ Google ረዳት እና Google ከደመና ጽሑፍ ወደ ንግግር ማፍለቅ
እንደ Tacotron 2 ባሉ TTS ቧንቧዎች ውስጥ mel-spectrograms ወደ ሞገድ ቅርጾችን የሚቀይር እንደ የነርቭ ድምጽ ማጉያ ሆኖ ይሠራል
እውነተኛ ፒያኖ እና የሙዚቃ መሳሪያ ሙዚቃን ከጥሬ ኦዲዮ በማዋሃድ ላይ
ለተደራሽነት መሳሪያዎች እና የኦዲዮ መጽሐፍ ትረካ የድምጽ ውህደት
የትግበራ ቅጦች
WaveNet በተግባር
ለ Google ረዳት እና Google የዳመና ፅሁፍ-ወደ-ንግግር ድምጾችን ማመንጨት።
ለ Google ረዳት እና Google የደመና ጽሁፍ-ወደ-ንግግር ቡድኖች ተፈጥሯዊ ድምጾችን ማፍለቅ ብዙውን ጊዜ የጥራት ደረጃዎችን ፊት ለፊት ሲገልጹ የተሻለ ውጤት ያገኛሉ፣ ለጫፍ ጉዳዮች የሰውን እድገት መንገድ ሲይዙ እና ሁለቱንም የምርታማነት ትርፍ እና የስህተት ወጪዎችን በጊዜ ሂደት ይከታተላሉ።
WaveNet በተግባር
እንደ Tacotron 2 ባሉ የቲቲኤስ ቧንቧዎች ውስጥ mel-spectrograms ወደ ሞገድ ቅርጾችን የሚቀይር እንደ ነርቭ ቮኮደር መስራት።
እንደ Tacotron 2 በ TTS ቧንቧዎች ውስጥ mel-spectrogramsን ወደ ሞገዶች የሚቀይር እንደ ነርቭ ቮኮደር ሆኖ መስራት አብዛኛውን ጊዜ የተሻለ ውጤት የሚያገኙ ሲሆን ከፊት ለፊት የጥራት ደረጃዎችን ሲገልጹ፣ ለዳር ጉዳዮች የሰው ልጅ እድገት መንገድን ሲያደርጉ እና ሁለቱንም የምርታማነት ትርፍ እና የስህተት ወጪዎችን በጊዜ ሂደት መከታተል።
WaveNet በተግባር
እውነተኛ ፒያኖ እና የሙዚቃ መሳሪያ ሙዚቃን ከጥሬ ኦዲዮ በማዋሃድ ላይ።
ተጨባጭ ፒያኖ እና የሙዚቃ መሳሪያ ሙዚቃን ከጥሬ የድምጽ ማዋሃድ ቡድኖች ብዙውን ጊዜ የጥራት ደረጃዎችን ፊት ለፊት ሲገልጹ፣ የሰው ልጅ መሻሻል መንገድን ለጫፍ ጉዳዮች ሲያደርጉ እና ሁለቱንም የምርታማነት ትርፍ እና የስህተት ወጪዎችን በጊዜ ሂደት ሲከታተሉ የተሻለ ውጤት ያገኛሉ።
WaveNet በተግባር
ለተደራሽነት መሳሪያዎች እና የኦዲዮ መጽሐፍ ትረካ የድምጽ ውህደት።
የድምጽ ውህደት ለተደራሽነት መሳሪያዎች እና የኦዲዮ መጽሐፍት ትረካ ቡድኖች ብዙውን ጊዜ የጥራት ደረጃዎችን ፊት ለፊት ሲገልጹ፣ የሰው ልጅ መሻሻል መንገድን ለዳር ጉዳዮች ሲይዙ እና ሁለቱንም የምርታማነት ትርፍ እና የስህተት ወጪዎችን በጊዜ ሂደት ሲከታተሉ የተሻለ ውጤት ያገኛሉ።
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።
ለድምጽ ቀረጻ፣ ክሎኒንግ እና እንደገና ጥቅም ላይ ለማዋል ግልጽ የሆነ ፈቃድ ያግኙ። እያንዳንዱን እርምጃ እንደማስረጃ በር ያዙት፡ መመዘኛዎቹ ካልተሟሉ፣ መልቀቅን ለአፍታ አቁም፣ ክፍተቱን ይዝጉ እና ከዚያ ብቻ አጠቃቀምን ያስፋፉ።
በተለያዩ የድምጽ ማጉያዎች እና የበስተጀርባ ሁኔታዎች ላይ ጥራትን ይሞክሩ።
በተለያዩ የድምጽ ማጉያዎች እና የበስተጀርባ ሁኔታዎች ላይ ጥራትን ይሞክሩ። እያንዳንዱን እርምጃ እንደማስረጃ በር ያዙት፡ መመዘኛዎቹ ካልተሟሉ፣ መልቀቅን ለአፍታ አቁም፣ ክፍተቱን ይዝጉ እና ከዚያ ብቻ አጠቃቀምን ያስፋፉ።
አንድ ሰው መቼ ውጤቶችን መገምገም ወይም ማጽደቅ እንዳለበት ይግለጹ።
አንድ ሰው መቼ ውጤቶችን መገምገም ወይም ማጽደቅ እንዳለበት ይግለጹ። እያንዳንዱን እርምጃ እንደማስረጃ በር ያዙት፡ መመዘኛዎቹ ካልተሟሉ፣ መልቀቅን ለአፍታ አቁም፣ ክፍተቱን ይዝጉ እና ከዚያ ብቻ አጠቃቀምን ያስፋፉ።
ሰው ሰራሽ ኦዲዮን ይሰይሙ እና ለተጠያቂነት የፕሮቨንስ መዝገቦችን ያስቀምጡ።
ሰው ሰራሽ ኦዲዮን ይሰይሙ እና ለተጠያቂነት የፕሮቨንስ መዝገቦችን ያስቀምጡ። እያንዳንዱን እርምጃ እንደማስረጃ በር ያዙት፡ መመዘኛዎቹ ካልተሟሉ፣ መልቀቅን ለአፍታ አቁም፣ ክፍተቱን ይዝጉ እና ከዚያ ብቻ አጠቃቀምን ያስፋፉ።