Chanzo-Filter Vocoding na WORLD
Vokoda ni chombo ambacho hutenganisha hotuba katika vijenzi vyake na kuijenga upya.
Muhtasari
The source-filter model and the WORLD vocoder are classic methods that power text-to-speech and voice conversion by separating what your vocal cords do from what your mouth shapes.
Dive ya kina
Muundo wa kichujio cha chanzo hufafanua usemi kama vipande viwili vinavyofanya kazi pamoja: chanzo (mlio kutoka kwa nyuzi zako za sauti zinazotetemeka kwa sauti zinazotamkwa, au hewa yenye kelele kwa minong'ono na konsonanti) hupitia kichujio (umbo la sauti la koo, mdomo na pua yako). Vokoda huchanganua sauti iliyorekodiwa ili kukadiria vipande hivi, kisha kuunganisha sauti mpya kutoka navyo. ULIMWENGU, iliyotolewa na Masanori Morise mwaka wa 2016, ni vokoda ya ubora wa juu ambayo hutoa vigezo vitatu: F0 (mtaro wa chanzo), bahasha ya spectral (chujio, kupitia algorithm yake ya CheapTrick), na aperiodicity (kiasi cha kelele dhidi ya tone, kupitia PLATINUM/D4C). Mitiririko hii mitatu inaweza kurekebishwa kwa kujitegemea kisha kusanifishwa upya, na kufanya WORLD kuwa kazi bora kwa TTS parametric na mifumo ya sauti ya kuimba.
Ufahamu wa Kiufundi
Nguvu ya ULIMWENGU inatokana na utengano safi. CheapTrick inakadiria bahasha laini ya mwonekano ambayo ni thabiti hadi hitilafu ndogo za F0, huku DIO/Harvest track lami na D4C ikipima upenyezaji wa bendi. Kwa sababu sauti, timbre, na kelele huishi katika mitiririko ya vigezo tofauti, unaweza kuhamisha F0 juu ya pweza bila kubadilisha sauti inasikika kama nani, au kunyoosha muda bila kubadilisha sauti. Vokoda za neural kama vile WaveNet baadaye ziliiga muundo wa wimbi moja kwa moja, lakini ULIMWENGU unabaki kuwa wa haraka, unaoweza kufasirika, na bila leseni.
Athari za kimkakati
Kufikia na kufikia
Huboresha ufikiaji kupitia manukuu, simulizi na violesura vya sauti.
Cost and budget
Timu za media zinaweza kusafirisha sauti iliyoboreshwa haraka na bajeti ndogo.
Kasi na kiwango
Mifumo inayowakabili wateja inaweza kuchakata mwingiliano wa mazungumzo kwa kiwango kikubwa.
Mustakabali wa Sauti za Kichujio cha Chanzo na ULIMWENGU
Vokoda safi za kuchakata mawimbi kwa kiasi kikubwa zimepitwa na vokoda za neural (HiFi-GAN, WaveRNN) kwa uasilia wa hali ya juu, lakini WORLD haijatoweka. Inadumu kama sehemu ya mbele ya haraka, inayolingana na CPU ndani ya mabomba ya kubadilisha sauti, vianzilishi vya kuimba, na misingi ya utafiti, na vipengele vyake vya F0-plus-spectral-envelope bado hulisha miundo mingi ya neva. Tarajia mifumo mseto ambapo vigezo vinavyoweza kufasirika vya mtindo wa ULIMWENGU huongoza avkodare za neural, kuwapa waundaji udhibiti kamili wa sauti na sauti bila kuacha uhalisia.
Utekelezaji wa Ulimwengu Halisi
Zana za kubadilisha sauti zinazohamisha sauti na sauti ya mzungumzaji huku zikiweka usemi kueleweka
Sanisi za sauti zinazoimba (kama vile mfumo ikolojia wa UTAU/NNSVS) ambao husawazisha noti kwenye viunzi vipya.
Mifumo ya parametric ya maandishi-kwa-hotuba ambayo hutoa mitiririko ya F0, spectral, na aperiodicity kabla ya kutamka
Misingi ya utafiti wa hotuba ya kubadilisha sauti, kunyoosha muda, na uhariri wa prosody bila kujizoeza tena
Hatari & Walinzi
Hatari za matumizi mabaya ya sauti na uigaji huongezeka wakati kibali kinakosekana.
Usahihi unaweza kushuka katika lafudhi, lahaja au mazingira yenye kelele.
Sauti ya syntetisk inaweza kudhaniwa kimakosa kuwa usemi halisi bila kuweka lebo wazi.
Ramani ya Utekelezaji
Pata idhini ya moja kwa moja ya kunasa sauti, kuunda na kutumia tena.
Jaribu ubora kwenye spika na hali mbalimbali za usuli.
Bainisha wakati ni lazima binadamu akague au aidhinishe matokeo.
Weka lebo sauti ya sintetiki na uhifadhi rekodi za asili kwa uwajibikaji.
Endelea Kuchunguza
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Source-Filter Vocoding and WORLD quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Mwongozo unaofuata
Mgawanyo wa Chanzo cha Muziki wa Demucs
Maswali yanayoulizwa mara kwa mara
What is Source-Filter Vocoding and WORLD?
Vokoda ni chombo ambacho hutenganisha hotuba katika vijenzi vyake na kuijenga upya. Muundo wa kichujio cha chanzo na vokoda ya WORLD ni mbinu za kawaida ambazo huwezesha ubadilishaji wa maandishi hadi usemi na sauti kwa kutenganisha kile ambacho nyuzi zako za sauti hufanya na kile ambacho kinywa chako hutengeneza.
Katika modeli ya kichujio cha chanzo cha usemi, 'chujio' kinawakilisha nini?
Kichujio ni mwangwi wa njia ya sauti - umbo la koo, mdomo na pua ambalo hupaka rangi sauti. Chanzo ni sauti ya sauti au mtiririko wa hewa wenye kelele.
Je, vokoda ya DUNIA inatoa vigezo gani vitatu kutoka kwa hotuba?
ULIMWENGU hutenganisha usemi kuwa masafa ya kimsingi (F0), bahasha ya spectral (timbre/chujio), na aperiodicity (kelele dhidi ya usawa wa sauti).
Jina la algorithm ya WORLD ya kukadiria bahasha ya spectral ni nini?
CheapTrick inakadiria bahasha laini ya mwonekano ambayo ni thabiti kwa makosa madogo katika makadirio ya sauti.
Kwa nini kutenganisha lami kutoka kwa bahasha ya spectral ni muhimu?
Kwa sababu sauti (F0) na timbre (bahasha ya spectral) ni mitiririko inayojitegemea, unaweza kuongeza au kupunguza sauti huku ukihifadhi utambulisho wa spika.
DUNIA inalinganishwaje na vokoda za neural kama HiFi-GAN?
ULIMWENGU ni kipiga sauti cha kuchakata mawimbi: haraka, kinachoweza kufasirika na kinachofaa kwa CPU. Vokoda za neural kawaida hufikia uasilia wa hali ya juu lakini ni nzito zaidi.