GUIDE de l'IA audio
Vocodeurs HiFi-GAN et GAN
HiFi-GAN est un vocodeur génératif-adversatif qui transforme presque instantanément un spectrogramme Mel en une forme d'onde audio brute, produisant une parole de qualité studio bien plus rapidement qu'en temps réel.
Écoutez ce guideNarré par l'IA · ~2 min
Sur cette page2 minutes de lecture
Aperçu
Il est devenu l’étape finale standard de la synthèse vocale moderne car il est rapide, léger et difficile à distinguer des enregistrements réels.
Plongée profonde
Un vocodeur est la dernière étape de la plupart des pipelines TTS : un modèle comme Tacotron ou FastSpeech prédit un spectrogramme mel (une image compacte de la fréquence dans le temps) et le vocodeur remplit les échantillons de forme d'onde réels. Les premiers vocodeurs neuronaux comme WaveNet sonnaient bien mais généraient de l'audio échantillon par échantillon, ce qui les rendait terriblement lents. HiFi-GAN, publié par Kong, Kim et Bae en 2020, a remplacé cette boucle autorégressive par un seul générateur à action directe formé de manière contradictoire. Son astuce clé consiste à utiliser plusieurs discriminateurs qui jugent l'audio à différentes échelles et sur différents modèles périodiques, obligeant le générateur à obtenir à la fois la texture fine et la périodicité de la hauteur. Le résultat est une parole à 22 kHz synthétisée des centaines de fois plus rapidement qu'en temps réel sur un GPU, avec une qualité rivalisant avec la vérité sur le terrain.
Mise en œuvre dans le monde réel
Générer la sortie vocale des assistants virtuels et des applications de navigation qui nécessitent des réponses sans délai audible.
Alimenter des outils de clonage et de doublage de voix en temps réel où un spectrogramme mel cloné est restitué en un son naturel.
Piloter des plateformes de narration de livres audio et de podcasts qui synthétisent des heures de parole rapidement et à moindre coût.
Servir de scène de forme d'onde dans les synthétiseurs de voix chantée et les démos musicales via des vocodeurs universels de style BigVGAN.
L'avenir des vocodeurs HiFi-GAN et GAN
Les vocodeurs GAN deviennent de plus en plus petits et plus rapides : leurs descendants comme BigVGAN ajoutent des activations anti-aliasées pour généraliser à des chanteurs, instruments et langues invisibles, tandis qu'UnivNet et Vocos poussent vers une synthèse universelle toutes bandes. Les variantes en streaming et sur appareil exécutent désormais le vocoding dans les téléphones et les écouteurs pour les assistants à faible latence. De plus en plus, les modèles audio de diffusion et d'adaptation de flux sont distillés dans des générateurs à passage unique de style GAN, alliant la fidélité de la diffusion à la vitesse du GAN. Attendez-vous à ce que les vocodeurs se transforment en codecs audio neuronaux à usage général alimentant à la fois la parole et la musique.
Le mettre en pratique
Pourquoi c'est important
- Accès et portée. Il améliore l'accessibilité grâce à la transcription, à la narration et aux interfaces vocales.
- Coût et budget. Les équipes médias peuvent produire un son de qualité plus rapidement avec des budgets plus réduits.
- Vitesse et échelle. Les systèmes orientés client peuvent traiter les interactions orales à plus grande échelle.
Attention à
- Les risques d’utilisation abusive de la voix et d’usurpation d’identité augmentent lorsque le consentement fait défaut.
- La précision peut chuter en fonction des accents, des dialectes ou des environnements bruyants.
- L’audio synthétique peut être confondu avec une parole authentique sans étiquetage clair.
Prochaines étapes
- Obtenez un consentement explicite pour la capture vocale, le clonage et la réutilisation.
- Testez la qualité sur divers locuteurs et conditions d’arrière-plan.
- Définissez quand un humain doit examiner ou approuver les résultats.
- Étiquetez l’audio synthétique et conservez des enregistrements de provenance pour des raisons de responsabilité.
Continuez à explorer
Newsletter gratuite
Recevez le briefing quotidien sur l'IA
Trois histoires d'IA vérifiées chaque matin de la semaine, écrites dans un anglais simple. Gratuit pour toujours, sans publicité.
Un e-mail chaque jour de la semaine. Désabonnez-vous en un clic. Nous ne vendons ni ne partageons jamais votre adresse.
Testez-vous
Take the HiFi-GAN and GAN Vocoders quiz
Commentaires instantanés sur chaque réponse et un certificat partageable avec une pièce d'identité vérifiable une fois que vous avez réussi un cours.
Soutenez l’enseignement gratuit de l’IA. AI Understanding est une organisation à but non lucratif 501(c)(3) : pas de publicité, pas de paywall, jamais. Faire un don
Questions fréquemment posées
Qu'est-ce que les vocodeurs HiFi-GAN et GAN ?
HiFi-GAN est un vocodeur génératif-adversatif qui transforme presque instantanément un spectrogramme Mel en une forme d'onde audio brute, produisant une parole de qualité studio bien plus rapidement qu'en temps réel. Il est devenu l’étape finale standard de la synthèse vocale moderne car il est rapide, léger et difficile à distinguer des enregistrements réels.
Quelle est la tâche principale d'un vocodeur comme HiFi-GAN dans un pipeline de synthèse vocale ?
Un vocodeur est l'étape finale qui synthétise les échantillons de forme d'onde réels à partir du spectrogramme Mel produit par un modèle acoustique.
Pourquoi HiFi-GAN est-il beaucoup plus rapide que le précédent vocodeur WaveNet ?
WaveNet a généré l'audio échantillon par échantillon (de manière autorégressive), tandis que le générateur à action directe de HiFi-GAN produit la forme d'onde en une seule fois, atteignant une vitesse bien plus rapide que le temps réel.
Qu'est-ce que le discriminateur multipériode de HiFi-GAN aide spécifiquement à capturer ?
Le discriminateur multi-périodes remodèle la forme d'onde 1D en 2D en utilisant des périodes à nombres premiers pour détecter la structure périodique liée à la hauteur.
Les vocodeurs GAN sont formés « de manière contradictoire ». Qu'est-ce que ça veut dire ici ?
Dans une configuration GAN, le générateur apprend à produire des formes d’onde suffisamment réalistes pour tromper les réseaux discriminateurs entraînés à distinguer le réel de l’audio synthétique.
Quel vocodeur ultérieur étend HiFi-GAN pour mieux généraliser aux voix, chants et instruments invisibles ?
BigVGAN étend le HiFi-GAN et ajoute des activations périodiques anti-aliasées, améliorant ainsi la généralisation à l'audio hors distribution comme le chant et les instruments.
Continuez à apprendre
Guides associés
Plus de guides sélectionnés pour ce sujet