फास्टस्पीच और नॉन-ऑटोरेग्रेसिव टीटीएस

फास्टस्पीच एक समय में एक फ्रेम के बजाय समानांतर में एक संपूर्ण भाषण स्पेक्ट्रोग्राम उत्पन्न करता है, जिससे संश्लेषण नाटकीय रूप से तेज और अधिक स्थिर हो जाता है। इसने धीमी, त्रुटि-प्रवण पीढ़ी का समाधान किया जिसने टैकोट्रॉन जैसे पहले के ऑटोरेग्रेसिव मॉडलों को परेशान किया था।

गैर-ऑटोरेग्रेसिव का मतलब है कि फ्रेम एक ही पास में समानांतर में निर्मित होते हैं, पिछले फ्रेम पर एक-एक करके वातानुकूलित नहीं होते हैं।

ऑटोरेग्रेसिव ध्यान गलत संरेखित हो सकता है, जिससे शब्द छूट जाते हैं या दोहराए जाते हैं, और अनुक्रमिक डिकोडिंग धीमी हो जाती है; फास्टस्पीच दोनों को ठीक करता है।

लंबाई नियामक उनकी अनुमानित अवधि के आधार पर ध्वनि विशेषताओं का विस्तार करता है, छोटे पाठ अनुक्रम को लंबे स्पेक्ट्रोग्राम के साथ संरेखित करता है।

FastSpeech 2 uses duration, pitch, and energy information as conditional inputs to better model speech variation.

क्योंकि पीढ़ी समानांतर है, अधिक फ़्रेम जोड़ने से ऑटोरेग्रेसिव डिकोडिंग की तरह अनुक्रमिक चरण नहीं बढ़ते हैं।