तंत्रिका वोकोडर्स

न्यूरल वोकोडर एक मॉडल है जो एक कॉम्पैक्ट ध्वनिक प्रतिनिधित्व, आमतौर पर एक मेल-स्पेक्ट्रोग्राम, को वास्तविक श्रव्य तरंग में बदल देता है। यह अंतिम चरण है जो आधुनिक टेक्स्ट-टू-स्पीच और आवाज को उनकी प्राकृतिक, मानवीय ध्वनि की क्लोनिंग देता है।

पारंपरिक भाषण संश्लेषण में सिग्नल-प्रोसेसिंग वोकोडर्स का उपयोग किया जाता है जो अक्सर बज़ी या रोबोटिक लगते हैं। न्यूरल वोकोडर्स वास्तविक रिकॉर्डिंग के घंटों पर प्रशिक्षण द्वारा स्पेक्ट्रोग्राम से कच्चे ऑडियो नमूनों को फिर से बनाना सीखते हैं। वेवनेट (डीपमाइंड, 2016) एक बड़ी सफलता थी, जिसने प्रति सेकंड 16,000+ नमूनों पर एक समय में ऑडियो के एक नमूने की भविष्यवाणी की, जिससे आश्चर्यजनक रूप से प्राकृतिक भाषण उत्पन्न हुआ लेकिन बहुत धीरे-धीरे। बाद के मॉडलों ने गति के लिए उस ऑटोरेग्रेसिव बाधा का व्यापार किया: वेवग्लो ने प्रवाह-आधारित पीढ़ी का उपयोग किया, समानांतर वेवजीएएन और मेलजीएएन ने जेनरेटिव प्रतिकूल नेटवर्क का उपयोग किया, और हाईफाई-जीएएन वास्तविक समय की तुलना में कहीं अधिक तेजी से उच्च-निष्ठा 22kHz ऑडियो उत्पन्न करके एक लोकप्रिय मानक बन गया। आज वोकोडर लगभग हमेशा दो-चरण पाइपलाइन का दूसरा भाग होता है, जिसे टैकोट्रॉन 2 या फास्टस्पीच जैसे ध्वनिक मॉडल के साथ जोड़ा जाता है जो मेल-स्पेक्ट्रोग्राम का उत्पादन करता है।