डिफ़वेव डिफ्यूज़न वोकोडर

डिफ़वेव एक प्रसार-आधारित वोकोडर है जो एक मेल-स्पेक्ट्रोग्राम पर वातानुकूलित, यादृच्छिक शोर को तरंग रूप में पुनरावृत्त रूप से निरूपित करके ऑडियो को संश्लेषित करता है। इसने उच्च-निष्ठा वाले भाषण में प्रसार मॉडल लाए, बिना किसी प्रतिकूल प्रशिक्षण के जीएएन और वेवनेट को टक्कर दी।

डिफवेव, कोंग एट अल द्वारा प्रस्तुत किया गया। 2020 में, कच्चे ऑडियो के लिए डिनोइजिंग डिफ्यूजन प्रोबेबिलिस्टिक मॉडल फ्रेमवर्क लागू किया गया है। प्रशिक्षण के दौरान यह धीरे-धीरे कई चरणों में गॉसियन शोर को एक स्वच्छ तरंग में जोड़ता है, फिर प्रत्येक चरण पर उस शोर की भविष्यवाणी करने और उसे हटाने के लिए एक नेटवर्क सीखता है। पीढ़ी के समय यह शुद्ध शोर से शुरू होता है और स्वच्छ भाषण को पुनर्प्राप्त करने के लिए, मेल-स्पेक्ट्रोग्राम पर वातानुकूलित रिवर्स प्रक्रिया चलाता है। बैकबोन एक गैर-ऑटोरेग्रेसिव, फैला हुआ-कन्वोल्यूशन नेटवर्क है जो वेवनेट जैसा दिखता है लेकिन नमूनों के बजाय शोर की भविष्यवाणी करता है। डिफवेव गुणवत्ता में मजबूत वोकोडर्स से मेल खाता है और उल्लेखनीय रूप से मजबूत है, यहां तक ​​​​कि वक्ताओं के बीच उचित बिना शर्त भाषण और लगातार परिणाम भी देता है। मुख्य व्यापार-बंद गति है: अनुभवहीन नमूने के लिए दर्जनों से हजारों चरणों की आवश्यकता होती है, हालांकि तेज़ शेड्यूल इसे घटाकर केवल छह कर देता है।