কচ্ছপ TTS অটোরিগ্রেসিভ সংশ্লেষণ

Its name is a wink at the trade-off: it is slow but produces remarkably high-quality speech.

জেমস বেটকার দ্বারা তৈরি এবং 2022 সালে প্রকাশিত, টর্টোইস টিটিএস ইমেজ জেনারেশন, বিশেষ করে অটোরিগ্রেসিভ ট্রান্সফরমার এবং ডিফিউশন থেকে ধারণা ধার করেছে এবং সেগুলিকে বক্তৃতায় প্রয়োগ করেছে। একটি টার্গেট ভয়েসের মুষ্টিমেয় সংক্ষিপ্ত রেফারেন্স ক্লিপ দেওয়া হলে, এটি সেই ভয়েসটি ক্লোন করতে পারে এবং বিশ্বাসযোগ্য প্রসোডি, পেসিং এবং আবেগ সহ নির্বিচারে পাঠ্য পড়তে পারে। এটি ইচ্ছাকৃতভাবে গতির চেয়ে গুণমানকে সমর্থন করে, যে কারণে প্রজন্ম প্রতি উচ্চারণে অনেক সেকেন্ড সময় নিতে পারে, তাই কাছিম রূপক। কচ্ছপ একাধিক প্রার্থীর আউটপুট তৈরি করে এবং সবচেয়ে বিশ্বস্ত একজনকে বেছে নিতে একটি স্কোরিং মডেল ব্যবহার করে। এটি ভয়েসওভার, ফ্যান ডাব এবং গবেষণার জন্য একটি সম্প্রদায়ের প্রিয় হয়ে উঠেছে কারণ খোলা ওজন যে কাউকে পরীক্ষা করতে দেয় এবং এর স্বাভাবিকতা তার যুগের বাণিজ্যিক সিস্টেমের সাথে প্রতিদ্বন্দ্বিতা করে।