DalšíDalší průvodce
Neuronové zvukové efekty a modelování kytarových aparátů
Zvuková AI
Zvukový průvodce AI
Prosody modeling concerns features such as pitch, duration, energy and emphasis that shape how speech is delivered.
Poslechněte si tento návodAI-vyprávěný · ~2 min
Text-to-speech systems can model these variables to produce different valid spoken realizations of the same text.
Prosody includes pitch movement, duration, energy and stress. FastSpeech 2 models pitch, energy and duration as conditional inputs to help address the one-to-many mapping from text to speech. Research on prosody transfer shows a synthesizer can condition its output on a reference acoustic representation to reproduce aspects of the reference’s prosody, including when the reference and output speakers differ. A corpus study of 410 naturally occurring American-English yes/no questions found varied intonation contours; the most frequent nuclear contour in that corpus was a low-rise. These findings are scoped to their task, speakers and language variety.
Predicting phoneme duration and pitch in a text-to-speech system.
Using reference audio to condition a synthesized utterance on a target prosodic pattern.
Testing how emphasis changes focus interpretation in a spoken sentence.
Measuring question contours on a defined speech corpus rather than assuming a universal intonation rule.
Evaluate synthesized prosody on target speakers, languages and discourse contexts. A contour that is common in one corpus or dialect need not be universal, and reference transfer should be assessed for both the intended delivery and speaker identity.
Newsletter zdarma
Tři ověřené příběhy ze světa AI každý všední den ráno, psané srozumitelnou angličtinou. Navždy zdarma, bez reklam.
Jeden e-mail každý všední den. Odhlásit se můžete jedním kliknutím. Vaši adresu nikdy neprodáváme ani nesdílíme.
Otestujte se
Okamžitá zpětná vazba ke každé odpovědi a sdílitelný certifikát s ověřitelným ID po absolvování kurzu.
Podpořte bezplatnou AI vzdělávání. AI Understanding je nezisková organizace 501(c)(3) — žádné reklamy, žádná platba za přístup, nikdy. Darujte
Prosody modeling concerns features such as pitch, duration, energy and emphasis that shape how speech is delivered. Text-to-speech systems can model these variables to produce different valid spoken realizations of the same text.
Prozódie se týká suprasegmentálních kvalit řeči, intonace (výška), rytmu a trvání, stresu a energie (hlasitosti), které jsou navrchu slov.
F0 je základní frekvence hlasu, rychlost vibrací hlasivek, kterou slyšíme jako výšku nebo melodii hlasu.
FastSpeech 2 představil variační adaptér, který explicitně předpovídá trvání, výšku tónu a energii, čímž poskytuje přímější a stabilnější kontrolu nad prozodií než čistě implicitní pozornost.
Stejná slova lze předat nesčetnými způsoby v závislosti na záměru a emoci, takže modely si musí vybrat z mnoha platných prozodických čtení, spíše než počítat jedinou odpověď.
Citovaná korpusová studie uvádí, že nízkopodlažní jaderný obrys byl nejčastějším vzorem v jejím vzorku 410 přirozeně se vyskytujících americko-anglických otázek ano/ne; není to univerzální pravidlo.
Učte se dál
Pro toto téma bylo vybráno více průvodců
DalšíDalší průvodce
Neuronové zvukové efekty a modelování kytarových aparátů
Zvuková AI