সমান্তরাল ওয়েভগান ভোকোডার

It matters because it gives near-real-time, high-quality speech with a compact model.

একটি ভোকোডার হল একটি টিটিএস পাইপলাইনের চূড়ান্ত পর্যায়: এটি একটি শাব্দ বৈশিষ্ট্য মানচিত্র (সাধারণত একটি মেল-স্পেকট্রোগ্রাম) আপনার শোনা প্রকৃত শব্দ তরঙ্গে রূপান্তর করে। 2019 সালে Yamamoto, Song এবং Kim দ্বারা প্রস্তাবিত সমান্তরাল WaveGAN, এটি একটি নন-অটোরিগ্রেসিভ ওয়েভনেট-স্টাইল জেনারেটরের সাথে করে যা একটি জেনারেটিভ অ্যাডভারসারিয়াল নেটওয়ার্ক হিসাবে প্রশিক্ষিত। মূল ওয়েভনেটের মতো একটি সময়ে একটি অডিও নমুনা ভবিষ্যদ্বাণী করার পরিবর্তে, এটি সমান্তরালভাবে সমগ্র তরঙ্গরূপ তৈরি করে, এটি নাটকীয়ভাবে দ্রুততর করে তোলে। এর মূল রেসিপিটি একটি মাল্টি-রেজোলিউশন শর্ট-টাইম ফুরিয়ার ট্রান্সফর্ম (STFT) ক্ষতির সাথে একটি প্রতিকূল ক্ষতিকে একত্রিত করে, তাই মডেলটি বেশ কয়েকটি সময় এবং ফ্রিকোয়েন্সি স্কেল জুড়ে বাস্তব সংকেতের সাথে মেলে। ফলাফল হল একটি ক্ষুদ্র জেনারেটর (প্রায় 1.4 মিলিয়ন প্যারামিটার) যা একটি GPU-তে রিয়েল টাইমের চেয়ে অনেক গুণ দ্রুত চলে।