NastępnyNastępny poradnik
TTS ze sterowaniem FastPitch Pitch
Dźwiękowa sztuczna inteligencja
PRZEWODNIK AI audio
Monotoniczne wyrównanie Glow-TTS
Glow-TTS to model zamiany tekstu na mowę, który samodzielnie uczy się dopasowywania tekstu do mowy za pomocą sprytnej sztuczki wyszukiwania, eliminując potrzebę stosowania osobnego modułu wyrównującego.
Posłuchaj tego przewodnikaOpowiadane przez sztuczną inteligencję · ~2 min
Na tej stronie2 minuty czytania
Przegląd
Ma to znaczenie, ponieważ sprawia, że trening jest prostszy, a synteza szybka i równoległa.
Głębokie nurkowanie
Glow-TTS, wprowadzony przez Kima i współpracowników w 2020 r., generuje spektrogram mel z tekstu za pomocą dekodera opartego na przepływie i wbudowanego mechanizmu dopasowującego o nazwie Monotonic Alignment Search (MAS). Wcześniejsze systemy TTS, takie jak Tacotron 2, wykorzystywały uwagę do decydowania, który znak tekstu pasuje do której klatki dźwiękowej, ale uwaga może pomijać słowa, powtarzać je lub przerywać długie zdania. Zamiast tego Glow-TTS zakłada, że wyrównanie musi być monotoniczne (tekst jest czytany od lewej do prawej) i surjektywne (każdy token tekstowy jest odwzorowywany na co najmniej jedną ramkę). Wykorzystuje programowanie dynamiczne do znalezienia najbardziej prawdopodobnego takiego dopasowania podczas szkolenia, a następnie predyktor o krótkim czasie trwania uczy się go odtwarzać na podstawie wnioskowania. Zapewnia to niezawodne, równoległe i kontrolowane generowanie mowy.
Implementacja w świecie rzeczywistym
Trening solidnego głosu narratora w audiobooku, który nigdy nie pomija ani nie powtarza słów w długich akapitach
Zasilanie etapu dopasowywania asystentów głosowych typu open source i czytników ekranu opartych na VITS
Tworzenie kontrolowanego TTS, w którym rozciągasz lub kompresujesz czas trwania fonemów, aby uzyskać powolną i wyraźną wymowę w aplikacjach do nauki języków
Generowanie zestawów danych dotyczących mowy syntetycznej dla języków wymagających niewielkich zasobów, w przypadku których ręcznie dopasowywane dane są rzadkie
Przyszłość monotonicznego wyrównania Glow-TTS
Pomysł monotonicznego wyrównania, którego pionierem był Glow-TTS, stanowi obecnie podstawę wielu nowoczesnych systemów nieautoregresyjnych, w tym VITS, który łączy go z wokoderem w celu generowania kształtu fali od końca do końca. Spodziewaj się ciągłego stosowania twardego wyrównania w stylu MAS w językach o niskich zasobach, głosów na urządzeniu w czasie rzeczywistym i kontrolowanej mowy, w przypadku której czas trwania, wysokość i tempo muszą być bezpośrednio edytowane. Rozproszenie i dopasowanie przepływu TTS coraz częściej korzystają z tego czystego mapowania tekstu na klatkę w celu zapewnienia stabilności.
Wdrażanie tego w praktykę
Dlaczego to ma znaczenie
- Dostęp i zasięg. Poprawia dostępność poprzez transkrypcję, narrację i interfejsy głosowe.
- Koszt i budżet. Zespoły medialne mogą szybciej dostarczać dopracowany dźwięk przy mniejszych budżetach.
- Szybkość i skala. Systemy skierowane do klienta mogą przetwarzać interakcje mówione na większą skalę.
Uważaj na
- W przypadku braku zgody zwiększa się ryzyko niewłaściwego użycia głosu i podszywania się pod inne osoby.
- Dokładność może spaść w przypadku akcentów, dialektów lub hałaśliwego otoczenia.
- Bez wyraźnego oznakowania dźwięk syntetyczny można pomylić z autentyczną mową.
Kolejne kroki
- Uzyskaj wyraźną zgodę na przechwytywanie, klonowanie i ponowne wykorzystanie głosu.
- Testuj jakość na różnych głośnikach i w różnych warunkach otoczenia.
- Zdefiniuj, kiedy człowiek musi przejrzeć lub zatwierdzić wyniki.
- Oznacz dźwięk syntetyczny i prowadź dokumentację pochodzenia w celu zapewnienia odpowiedzialności.
Odkrywaj dalej
Darmowy newsletter
Otrzymuj codzienne podsumowanie AI
Trzy zweryfikowane historie AI każdego poranka w dni robocze, napisane prostym angielskim. Bezpłatne na zawsze, bez reklam.
Jedno e‑mail każdego dnia roboczego. Wypisz się jednym kliknięciem. Nigdy nie sprzedajemy ani nie udostępniamy Twojego adresu.
Sprawdź się
Take the Glow-TTS Monotonic Alignment quiz
Natychmiastowa informacja zwrotna na każde pytanie oraz udostępnialny certyfikat z weryfikowalnym ID po zaliczeniu kursu.
Wspieraj darmową edukację AI. AI Understanding jest organizacją non-profit 501(c)(3) — bez reklam, bez płatnej ściany, zawsze. Przekaż darowiznę
Często zadawane pytania
Co to jest wyrównanie monotoniczne Glow-TTS?
Glow-TTS to model zamiany tekstu na mowę, który samodzielnie uczy się dopasowywania tekstu do mowy za pomocą sprytnej sztuczki wyszukiwania, eliminując potrzebę stosowania osobnego modułu wyrównującego. Ma to znaczenie, ponieważ sprawia, że trening jest prostszy, a synteza szybka i równoległa.
Jaki problem z TTS opartym na uwadze ma na celu rozwiązać Glow-TTS?
Uwaga może przerwać działanie przy długich wpisach, powodując pominięcie lub powtórzenie słów; Aby tego uniknąć, Glow-TTS wymusza monotoniczne wyrównanie.
Co oznacza MAS w Glow-TTS?
MAS to Monotonic Alignment Search, procedura programowania dynamicznego, która znajduje najlepsze dopasowanie tekstu do ramki.
Dlaczego wyrównanie musi być monotoniczne?
Mowa czyta tekst sekwencyjnie, więc wyrównanie musi przesuwać się w tekście w miarę upływu czasu.
Jakiego typu dekodera używa Glow-TTS do modelowania spektrogramów?
Glow-TTS wykorzystuje dekoder oparty na przepływie, co daje dokładne prawdopodobieństwo, że MAS może zmaksymalizować dopasowanie.
W jaki sposób w momencie wnioskowania Glow-TTS decyduje o tym, jak długo będzie ważny każdy token tekstowy?
MAS jest potrzebny tylko podczas szkolenia; wyuczony predyktor czasu trwania dostarcza liczbę ramek na token podczas wnioskowania, umożliwiając generowanie równoległe.
Ucz się dalej
Powiązane przewodniki
Wybrano więcej przewodników na ten temat