PANDUAN AI Audio
Tacotron 2
Tacotron 2 ialah sistem teks-ke-pertuturan hujung ke hujung daripada Google (2017) yang menukar teks bertulis terus kepada mel-spektrogram, yang ditukar oleh vocoder saraf kepada pertuturan seperti hidup.
Dengar panduan iniAI-diceritakan · ~2 min
Pada halaman ini2 min dibaca
Gambaran keseluruhan
Ia menghasilkan audio menyaingi rakaman manusia pada penanda aras utama.
Menyelam dalam
Tacotron 2 mempunyai dua bahagian utama. Pertama, rangkaian urutan ke jujukan dengan perhatian membaca aksara teks dan meramalkan bingkai mel-spektrogram demi bingkai. Pengekod menukar aksara kepada perwakilan tersembunyi, mekanisme perhatian sensitif lokasi menjajarkan teks ke bingkai audio, dan penyahkod autoregresif memancarkan spektrogram manakala 'token henti' belajar apabila sebutan itu tamat. Kedua, vokoder WaveNet yang diubah suai menukarkan spektrogram mel itu kepada bentuk gelombang mentah. Dengan membahagikan masalah dengan cara ini, Tacotron 2 mempelajari prosodi, sebutan dan pacing daripada data dengan kejuruteraan tangan yang minimum. Ia mencapai skor pendapat min hampir dengan rakaman profesional, menjadikannya mercu tanda dalam sintesis bunyi semula jadi dan templat untuk TTS saraf kemudiannya.
Pelaksanaan Dunia Sebenar
Memperkasakan suara yang berbunyi semula jadi dalam produk dan pembantu teks-ke-ucapan Google
Menjana penceritaan ekspresif untuk buku audio dan podcast
Menyediakan suara untuk pembaca skrin dan perisian kebolehaksesan
Berkhidmat sebagai asas penyelidikan dan contoh pengajaran untuk saluran paip TTS saraf
Masa Depan Tacotron 2
Reka bentuk dua peringkat Tacotron 2 mengilhamkan gelombang TTS saraf. Pengganti bukan autoregresif yang lebih pantas seperti FastSpeech 2 mengalih keluar penyahkod berjujukan untuk kelajuan dan kestabilan, dan vokoder WaveNet kini sering ditukar untuk HiFi-GAN atau model resapan. Bidang ini bergerak ke arah sistem pengklonan suara hujung-ke-hujung dan berbilang pembesar suara, ekspresif dan sifar pukulan sepenuhnya, tetapi Tacotron 2 kekal sebagai rujukan asas untuk saluran paip berasaskan spektrogram.
Mempraktikkannya
Mengapa ia penting
- Akses dan capai. Ia meningkatkan kebolehcapaian melalui transkripsi, narasi dan antara muka suara.
- Kos dan bajet. Pasukan media boleh menghantar audio yang digilap dengan lebih pantas dengan belanjawan yang lebih kecil.
- Kelajuan dan skala. Sistem yang menghadapi pelanggan boleh memproses interaksi pertuturan pada skala yang lebih besar.
Berhati-hati untuk
- Penyalahgunaan suara dan risiko penyamaran meningkat apabila tiada kebenaran.
- Ketepatan boleh menurun merentas aksen, dialek atau persekitaran yang bising.
- Audio sintetik boleh disalah anggap sebagai pertuturan tulen tanpa pelabelan yang jelas.
Langkah seterusnya
- Dapatkan persetujuan yang jelas untuk menangkap suara, pengklonan dan penggunaan semula.
- Uji kualiti merentas pelbagai pembesar suara dan keadaan latar belakang.
- Tentukan bila manusia mesti menyemak atau meluluskan output.
- Labelkan audio sintetik dan simpan rekod asal untuk kebertanggungjawaban.
Teruskan Meneroka
Newsletter percuma
Dapatkan taklimat AI harian
Tiga cerita AI yang disahkan setiap pagi hari bekerja, ditulis dalam Bahasa Inggeris biasa. Percuma selamanya, tiada iklan.
Satu e-mel setiap hari bekerja. Berhenti melanggan dalam satu klik. Kami tidak pernah menjual atau berkongsi alamat anda.
Uji diri anda
Take the Tacotron 2 quiz
Maklum balas segera pada setiap jawapan, dan sijil yang boleh dikongsi dengan ID yang boleh disahkan sebaik sahaja anda lulus kursus.
Sokong pendidikan AI percuma. AI Understanding ialah pertubuhan bukan keuntungan 501(c)(3) — tiada iklan, tiada bayaran dinding, selamanya. Buat derma
Soalan lazim
Apakah Tacotron 2?
Tacotron 2 ialah sistem teks-ke-pertuturan hujung ke hujung daripada Google (2017) yang menukar teks bertulis terus kepada mel-spektrogram, yang ditukar oleh vocoder saraf kepada pertuturan seperti hidup. Ia menghasilkan audio menyaingi rakaman manusia pada penanda aras utama.
Apakah perwakilan perantaraan yang diramalkan oleh Tacotron 2 daripada teks?
Rangkaian jujukan-ke-jujukan Tacotron 2 meramalkan spektrogram mel, yang kemudiannya ditukar oleh vocoder menjadi audio.
Apakah yang menukarkan spektrogram Tacotron 2 kepada bentuk gelombang sebenar?
Tacotron 2 memasangkan peramal spektrogramnya dengan vokoder WaveNet yang diubah suai untuk menjana audio mentah akhir.
Apakah masalah yang boleh dicegah oleh perhatian sensitif lokasi?
Dengan mempertimbangkan penjajaran sebelumnya, perhatian sensitif lokasi mengurangkan kegagalan seperti perkataan diulang atau digugurkan.
Bagaimanakah Tacotron 2 menentukan bahawa ia telah menghasilkan penghujung ujaran?
Tacotron 2 meramalkan token berhenti bersama bingkai mel; penjanaan berakhir apabila syarat berhenti yang dipelajari dipenuhi.
Apakah gaya seni bina keseluruhan yang digunakan oleh bahagian teks-ke-spektrogram?
Tacotron 2 menggunakan model jujukan-ke-jujukan pengekod-penyahkod dengan perhatian kepada memetakan aksara kepada bingkai spektrogram.
Teruskan belajar
Panduan berkaitan
Lebih banyak panduan dipilih untuk topik ini