ওয়েভনেট
2016 সালে DeepMind দ্বারা প্রবর্তিত WaveNet ছিল একটি যুগান্তকারী নিউরাল নেটওয়ার্ক যা এক সময়ে কাঁচা অডিও একটি নমুনা তৈরি করে, যা অসাধারণভাবে প্রাকৃতিক বক্তৃতা এবং সঙ্গীত তৈরি করে।
ওভারভিউ
It set the modern standard for high-fidelity text-to-speech.
গভীর ডুব
WaveNet হল একটি অটোরিগ্রেসিভ জেনারেটিভ মডেল: এটি প্রতিটি অডিও নমুনাকে পূর্বাভাস দেয় যে এটির আগে সব নমুনায় শর্তযুক্ত, সাধারণত প্রতি সেকেন্ডে 16,000 বা 24,000 নমুনা। এর মূল উদ্ভাবন হল প্রসারিত কার্যকারণ সংকোচনের স্তুপ। কার্যকারণ মানে মডেলটি কেবল সময়ের মধ্যে পিছিয়ে দেখায়, প্রজন্মের ক্রম রক্ষা করে; প্রসারণ মানে প্রতিটি স্তর দ্রুতগতিতে ক্রমবর্ধমান নমুনাগুলিকে এড়িয়ে যায়, তাই একটি পরিমিত স্ট্যাক হাজার হাজার নমুনা (একটি বিস্তৃত গ্রহণযোগ্য ক্ষেত্র) বিশাল খরচ ছাড়াই কভার করে। ভাষাগত বৈশিষ্ট্য বা একটি মেল-স্পেকট্রোগ্রামের উপর শর্তযুক্ত, ওয়েভনেট তার আগের সংযোজিত এবং প্যারামেট্রিক ভোকোডারগুলির তুলনায় অনেক বেশি স্বাভাবিক বক্তৃতা তৈরি করে, মানুষের রেকর্ডিংয়ের অনেক ব্যবধান বন্ধ করে এবং Google সহকারীর প্রাথমিক সংস্করণগুলিকে শক্তিশালী করে।
প্রযুক্তিগত অন্তর্দৃষ্টি
প্রসারিত কনভোলিউশনগুলি হল মূল কৌশল: 1, 2, 4, 8 এবং আরও অনেক কিছুর প্রসারিত হারের সাথে, একটি নেটওয়ার্ক শুধুমাত্র কয়েক দশটি স্তরের গভীরে হাজার হাজার অতীত নমুনাগুলিতে উপস্থিত হতে পারে, যা সূক্ষ্ম তরঙ্গরূপ বিস্তারিত এবং দীর্ঘ প্রসোডিক কাঠামো উভয়ই ক্যাপচার করতে পারে। আউটপুট মডেল প্রতিটি নমুনার মানকে একটি শ্রেণীবদ্ধ বন্টন হিসাবে (মূলত 256 স্তর mu-law companding এর মাধ্যমে), এবং গেটেড অ্যাক্টিভেশন ইউনিট প্লাস রেসিডুয়াল এবং স্কিপ কানেকশন এই অত্যন্ত গভীর স্ট্যাকের প্রশিক্ষণকে স্থিতিশীল করে।
কৌশলগত প্রভাব
অ্যাক্সেস এবং পৌঁছানো
এটি ট্রান্সক্রিপশন, বর্ণনা এবং ভয়েস ইন্টারফেসের মাধ্যমে অ্যাক্সেসযোগ্যতা উন্নত করে।
খরচ ও বাজেট
মিডিয়া দলগুলি ছোট বাজেটের সাথে পালিশ করা অডিও দ্রুত পাঠাতে পারে।
গতি এবং স্কেল
গ্রাহক-মুখী সিস্টেমগুলি বৃহত্তর স্কেলে কথ্য মিথস্ক্রিয়া প্রক্রিয়া করতে পারে।
ওয়েভনেটের ভবিষ্যত
মূল WaveNet ধীর ছিল কারণ নমুনা ক্রমিক। উত্তরসূরিরা এটি ঠিক করেছেন: সমান্তরাল ওয়েভনেট এবং ওয়েভআরএনএন রিয়েল-টাইম সংশ্লেষণ সক্ষম করেছে এবং পরবর্তীতে ফ্লো- এবং GAN-ভিত্তিক ভোকোডার যেমন WaveGlow এবং HiFi-GAN, প্লাস ডিফিউশন ভোকোডার, গুণমান এবং গতিকে আরও এগিয়ে নিয়ে গেছে। ওয়েভনেটের অটোরিগ্রেসিভ, প্রসারিত-কনভোলিউশন ধারণাগুলি এই সিস্টেমগুলিতে বাস করে এবং অডিওর বাইরেও আর্কিটেকচারগুলিকে প্রভাবিত করে, জেনারেটিভ মডেলিংয়ে এর উত্তরাধিকারকে সিমেন্ট করে।
বাস্তব-বিশ্ব বাস্তবায়ন
Google সহকারী এবং Google ক্লাউড টেক্সট-টু-স্পীচের জন্য প্রাকৃতিক-শব্দযুক্ত ভয়েস তৈরি করা হচ্ছে
একটি নিউরাল ভোকোডার হিসাবে কাজ করা যা মেল-স্পেকট্রোগ্রামগুলিকে টাকোট্রন 2 এর মতো TTS পাইপলাইনে তরঙ্গরূপে পরিণত করে
কাঁচা অডিও থেকে বাস্তবসম্মত পিয়ানো এবং যন্ত্রসঙ্গীত সংশ্লেষণ করা
অ্যাক্সেসিবিলিটি টুল এবং অডিওবুক বর্ণনার জন্য ভয়েস সংশ্লেষণ
ঝুঁকি এবং প্রহরী
সম্মতি অনুপস্থিত হলে ভয়েস অপব্যবহার এবং ছদ্মবেশের ঝুঁকি বেড়ে যায়।
উচ্চারণ, উপভাষা বা কোলাহলপূর্ণ পরিবেশে যথার্থতা হ্রাস পেতে পারে।
সিন্থেটিক অডিও পরিষ্কার লেবেল ছাড়া খাঁটি বক্তৃতা হিসাবে ভুল হতে পারে।
বাস্তবায়ন রোডম্যাপ
ভয়েস ক্যাপচার, ক্লোনিং এবং পুনঃব্যবহারের জন্য সুস্পষ্ট সম্মতি পান।
বিভিন্ন স্পিকার এবং ব্যাকগ্রাউন্ড কন্ডিশন জুড়ে মান পরীক্ষা করুন।
কখন একজন মানুষকে আউটপুট পর্যালোচনা বা অনুমোদন করতে হবে তা নির্ধারণ করুন।
সিন্থেটিক অডিও লেবেল করুন এবং দায়বদ্ধতার জন্য মূল রেকর্ড রাখুন।
অন্বেষণ চালিয়ে যান
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 WaveNet 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
পরবর্তী গাইড
অডিও ডিপফেক সনাক্তকরণ
প্রায়শই জিজ্ঞাসিত প্রশ্নাবলী
What is WaveNet?
2016 সালে DeepMind দ্বারা প্রবর্তিত WaveNet ছিল একটি যুগান্তকারী নিউরাল নেটওয়ার্ক যা এক সময়ে কাঁচা অডিও একটি নমুনা তৈরি করে, যা অসাধারণভাবে প্রাকৃতিক বক্তৃতা এবং সঙ্গীত তৈরি করে। এটি উচ্চ-বিশ্বস্ত পাঠ্য থেকে বক্তৃতা জন্য আধুনিক মান সেট করে।
কিভাবে WaveNet অডিও তৈরি করে?
WaveNet হল অটোরিগ্রেসিভ: এটি আগে আসা নমুনার উপর ভিত্তি করে প্রতিটি অডিও নমুনার পূর্বাভাস দেয়।
ওয়েভনেটের মূল পরিবর্তনমূলক উদ্ভাবন কী?
প্রসারিত কার্যকারণ কনভোলিউশনগুলি নেটওয়ার্কটিকে কয়েক হাজার অতীতের নমুনাগুলিকে দক্ষতার সাথে কভার করতে দেয় যখন শুধুমাত্র সময়ের পিছনে তাকানো হয়।
কেন প্রসারণ WaveNet সাহায্য করে?
দ্রুতগতিতে বৃদ্ধির হার তুলনামূলকভাবে কয়েকটি স্তর সহ হাজার হাজার নমুনার উপর একটি বিস্তৃত গ্রহণযোগ্য ক্ষেত্র দেয়।
মূল ওয়েভনেটের একটি বড় ব্যবহারিক ত্রুটি কী ছিল?
যেহেতু প্রতিটি নমুনা পূর্ববর্তীগুলির উপর নির্ভর করে, প্রজন্ম ছিল ক্রমিক এবং তাই ধীর, সমান্তরাল ওয়েভনেট এবং অন্যান্য উত্তরসূরিদের অনুপ্রাণিত করে।
একটি পাঠ্য থেকে বক্তৃতা পাইপলাইনে, WaveNet প্রায়ই কি হিসাবে কাজ করে?
ওয়েভনেট একটি মেল-স্পেকট্রোগ্রাম নিতে পারে (যেমন, টাকোট্রন 2 থেকে) এবং চূড়ান্ত প্রাকৃতিক-শব্দযুক্ত তরঙ্গরূপ তৈরি করতে পারে।