ต่อไปคำแนะนำต่อไป
TTS ที่ควบคุมระดับเสียงได้ FastPitch
เสียงเอไอ
คู่มือเสียง AI
Glow-TTS คือโมเดลการอ่านออกเสียงข้อความที่เรียนรู้ที่จะจัดข้อความเป็นคำพูดด้วยตัวเองโดยใช้เคล็ดลับการค้นหาที่ชาญฉลาด โดยไม่จำเป็นต้องใช้เครื่องมือจัดตำแหน่งแยกต่างหาก
ฟังคำแนะนำนี้บรรยายโดย AI · ~2 min
It matters because it makes training simpler and synthesis fast and parallel.
Glow-TTS เปิดตัวโดย Kim และเพื่อนร่วมงานในปี 2020 สร้างเมลสเปกโตรแกรมจากข้อความโดยใช้ตัวถอดรหัสแบบโฟลว์และกลไกการจัดตำแหน่งในตัวที่เรียกว่า Monotonic Alignment Search (MAS) ระบบ TTS ก่อนหน้านี้ เช่น Tacotron 2 ใช้ความสนใจในการตัดสินใจว่าอักขระข้อความใดตรงกับกรอบเสียงใด แต่ความสนใจสามารถข้ามคำ พูดซ้ำ หรือแยกประโยคยาวๆ ได้ Glow-TTS ถือว่าการจัดตำแหน่งต้องเป็นแบบโมโนโทนิกแทน (อ่านข้อความจากซ้ายไปขวา) และแบบ Surjective (โทเค็นข้อความทุกอันแมปกับเฟรมอย่างน้อยหนึ่งเฟรม) โดยจะใช้โปรแกรมแบบไดนามิกเพื่อค้นหาการจัดตำแหน่งที่เป็นไปได้มากที่สุดระหว่างการฝึก จากนั้นตัวทำนายระยะเวลาเล็กน้อยจะเรียนรู้ที่จะสร้างมันขึ้นมาใหม่เมื่ออนุมาน ส่งผลให้มีการสร้างคำพูดที่แข็งแกร่ง ขนาน และควบคุมได้
ฝึกเสียงผู้บรรยายหนังสือเสียงที่มีประสิทธิภาพโดยไม่ข้ามหรือพูดคำซ้ำในย่อหน้ายาวๆ
ขับเคลื่อนขั้นตอนการจัดตำแหน่งของผู้ช่วยเสียงแบบโอเพ่นซอร์สที่ใช้ VITS และโปรแกรมอ่านหน้าจอ
การสร้าง TTS ที่ควบคุมได้ โดยที่คุณขยายหรือบีบอัดระยะเวลาหน่วยเสียงเพื่อการออกเสียงที่ช้าและชัดเจนในแอปการเรียนรู้ภาษา
การสร้างชุดข้อมูลคำพูดสังเคราะห์สำหรับภาษาที่มีทรัพยากรต่ำซึ่งข้อมูลที่จัดชิดด้วยมือมีน้อย
แนวคิดการวางตำแหน่งแบบโมโนโทนิกที่บุกเบิกโดย Glow-TTS ในปัจจุบันเป็นรากฐานของระบบที่ไม่ถอยอัตโนมัติสมัยใหม่จำนวนมาก รวมถึง VITS ซึ่งหลอมรวมกับโวโคเดอร์สำหรับการสร้างรูปคลื่นจากต้นทางถึงปลายทาง คาดหวังการใช้งานการจัดตำแหน่งอย่างหนักแบบ MAS อย่างต่อเนื่องในภาษาที่มีทรัพยากรต่ำ เสียงบนอุปกรณ์แบบเรียลไทม์ และคำพูดที่ควบคุมได้ ซึ่งต้องแก้ไขระยะเวลา ระดับเสียง และจังหวะอย่างชัดเจน TTS การแพร่กระจายและการจับคู่โฟลว์ยืมการแมปข้อความต่อเฟรมที่สะอาดตานี้มากขึ้นเพื่อความเสถียร
จดหมายข่าวฟรี
เรื่องราว AI ที่ตรวจสอบแล้ว 3 เรื่องทุกวันทำงาน เช้า, เขียนเป็นภาษาอังกฤษธรรมดา ฟรีตลอดไป ไม่มีโฆษณา
อีเมลหนึ่งฉบับทุกวันทำงาน ยกเลิกการสมัครในคลิกเดียว เราไม่เคยขายหรือแชร์ที่อยู่อีเมลของคุณ
ทดสอบตัวเอง
ข้อเสนอแนะทันทีสำหรับทุกคำตอบ และใบรับรองที่สามารถแชร์ได้พร้อม ID ที่ตรวจสอบได้เมื่อคุณผ่านหลักสูตร
สนับสนุนการศึกษา AI ฟรี AI Understanding เป็นองค์กรไม่แสวงหาผลกำไร 501(c)(3) — ไม่มีโฆษณา ไม่มีกำแพงเงิน, ตลอดไป บริจาค
Glow-TTS คือโมเดลการอ่านออกเสียงข้อความที่เรียนรู้ที่จะจัดข้อความเป็นคำพูดด้วยตัวเองโดยใช้เคล็ดลับการค้นหาที่ชาญฉลาด โดยไม่จำเป็นต้องใช้เครื่องมือจัดตำแหน่งแยกต่างหาก เป็นเรื่องสำคัญเพราะมันทำให้การฝึกง่ายขึ้นและการสังเคราะห์ที่รวดเร็วและขนานกัน
ความสนใจอาจผิดพลาดกับอินพุตที่ยาว ส่งผลให้คำข้ามหรือซ้ำ Glow-TTS บังคับใช้การจัดแนวแบบโมโนโทนิกเพื่อหลีกเลี่ยงปัญหานี้
MAS คือ Monotonic Alignment Search ซึ่งเป็นรูทีนการเขียนโปรแกรมแบบไดนามิกที่จะค้นหาการจัดตำแหน่งข้อความต่อเฟรมที่ดีที่สุด
คำพูดจะอ่านข้อความตามลำดับ ดังนั้นการจัดตำแหน่งจึงต้องเลื่อนไปข้างหน้าผ่านข้อความเมื่อเวลาผ่านไป
Glow-TTS ใช้ตัวถอดรหัสแบบโฟลว์ ซึ่งให้โอกาสที่แน่นอนที่ MAS จะสามารถเพิ่มขีดความสามารถสูงสุดจากการจัดแนวได้
MAS จำเป็นเฉพาะในการฝึกอบรมเท่านั้น ตัวทำนายระยะเวลาที่เรียนรู้จะนับจำนวนเฟรมต่อโทเค็นในการอนุมาน ทำให้เกิดการสร้างแบบขนาน
เรียนรู้ต่อไป
คำแนะนำเพิ่มเติมที่เลือกสำหรับหัวข้อนี้
ต่อไปคำแนะนำต่อไป
TTS ที่ควบคุมระดับเสียงได้ FastPitch
เสียงเอไอ