Mã hóa bộ lọc nguồn và THẾ GIỚI
Bộ mã hóa giọng nói là một công cụ tách lời nói thành các khối xây dựng và xây dựng lại nó.
Tổng quan
Mô hình bộ lọc nguồn và bộ mã hóa giọng nói WORLD là những phương pháp kinh điển giúp chuyển đổi văn bản thành giọng nói và chuyển đổi giọng nói bằng cách tách biệt những gì dây thanh quản làm với những gì miệng bạn tạo hình.
Lặn sâu
Mô hình bộ lọc nguồn mô tả lời nói như hai phần phối hợp với nhau: một nguồn (tiếng vo ve từ dây thanh âm rung động của bạn đối với âm thanh hữu thanh hoặc không khí ồn ào đối với những lời thì thầm và phụ âm) đi qua bộ lọc (hình dạng cộng hưởng của cổ họng, miệng và mũi của bạn). Bộ mã hóa âm thanh sẽ phân tích âm thanh đã ghi để ước tính những phần này, sau đó tổng hợp âm thanh mới từ chúng. WORLD, do Masanori Morise phát hành vào khoảng năm 2016, là một bộ mã hóa chất lượng cao trích xuất ba tham số: F0 (đường viền cao độ của nguồn), đường bao quang phổ (bộ lọc, thông qua thuật toán CheapTrick của nó) và tính không tuần hoàn (mức độ nhiễu so với âm sắc, thông qua PLATINUM/D4C). Ba luồng này có thể được sửa đổi độc lập sau đó được tổng hợp lại, biến WORLD trở thành công cụ hỗ trợ cho TTS tham số và hệ thống giọng hát.
Hiểu biết kỹ thuật
Sức mạnh của THẾ GIỚI đến từ sự tách biệt rõ ràng. CheapTrick ước tính một đường bao quang phổ mịn có khả năng chống lại các lỗi F0 nhỏ, trong khi cường độ theo dõi DIO/Harvest và D4C đo lường tính không tuần hoàn của băng tần. Vì cao độ, âm sắc và độ ồn tồn tại trong các luồng tham số riêng biệt nên bạn có thể chuyển F0 lên một quãng tám mà không thay đổi giọng nói của ai hoặc kéo dài thời lượng mà không thay đổi cao độ. Các bộ phát âm thần kinh như WaveNet sau này đã mô hình hóa dạng sóng một cách trực tiếp, nhưng WORLD vẫn nhanh, dễ hiểu và không cần giấy phép.
Tác động chiến lược
Truy cập và tiếp cận
Nó cải thiện khả năng tiếp cận thông qua phiên âm, tường thuật và giao diện giọng nói.
Chi phí và ngân sách
Các nhóm truyền thông có thể gửi âm thanh tinh tế nhanh hơn với ngân sách nhỏ hơn.
Tốc độ và tỷ lệ
Các hệ thống hướng tới khách hàng có thể xử lý các tương tác bằng giọng nói ở quy mô lớn hơn.
Tương lai của Mã hóa Bộ lọc Nguồn và THẾ GIỚI
Các bộ phát âm xử lý tín hiệu thuần túy phần lớn đã bị các bộ phát âm thần kinh (HiFi-GAN, WaveRNN) vượt qua vì tính tự nhiên cao cấp nhất, nhưng THẾ GIỚI vẫn chưa biến mất. Nó tồn tại như một giao diện người dùng nhanh, thân thiện với CPU bên trong các đường dẫn chuyển đổi giọng nói, bộ tổng hợp giọng hát và đường cơ sở nghiên cứu, đồng thời các tính năng đường bao quang phổ F0-plus-của nó vẫn cung cấp nhiều mô hình thần kinh. Mong đợi các hệ thống kết hợp trong đó các thông số có thể hiểu được theo phong cách THẾ GIỚI hướng dẫn bộ giải mã thần kinh, giúp người sáng tạo kiểm soát chính xác cao độ và âm sắc mà không làm mất đi tính chân thực.
Triển khai trong thế giới thực
Các công cụ chuyển đổi giọng nói giúp thay đổi cao độ và âm sắc của người nói trong khi vẫn đảm bảo lời nói dễ hiểu
Bộ tổng hợp giọng hát (chẳng hạn như hệ sinh thái UTAU/NNSVS) tổng hợp lại các nốt ở cao độ mới
Hệ thống chuyển văn bản thành giọng nói tham số tạo ra các luồng F0, quang phổ và không định kỳ trước khi mã hóa giọng nói
Cơ sở nghiên cứu giọng nói để thay đổi cao độ, kéo dài thời gian và chỉnh sửa ngữ điệu mà không cần đào tạo lại
Rủi ro & lan can
Rủi ro lạm dụng giọng nói và mạo danh sẽ tăng lên khi thiếu sự đồng ý.
Độ chính xác có thể giảm đối với các giọng, phương ngữ hoặc môi trường ồn ào.
Âm thanh tổng hợp có thể bị nhầm lẫn với lời nói đích thực nếu không có nhãn rõ ràng.
Lộ trình thực hiện
Nhận được sự đồng ý rõ ràng để thu âm, sao chép và tái sử dụng giọng nói.
Kiểm tra chất lượng trên nhiều loa và điều kiện nền khác nhau.
Xác định khi nào con người phải xem xét hoặc phê duyệt kết quả đầu ra.
Dán nhãn âm thanh tổng hợp và lưu giữ hồ sơ xuất xứ để đảm bảo trách nhiệm giải trình.
Tiếp tục khám phá
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
Hướng dẫn tiếp theo
Tách nguồn nhạc Demucs
Câu hỏi thường gặp
Source-Filter Vocoding và WORLD là gì?
Bộ mã hóa giọng nói là một công cụ tách lời nói thành các khối xây dựng và xây dựng lại nó. Mô hình bộ lọc nguồn và bộ phát âm THẾ GIỚI là các phương pháp cổ điển hỗ trợ chuyển đổi văn bản thành giọng nói và giọng nói bằng cách tách biệt chức năng của dây thanh âm với hình dạng miệng của bạn.
Trong mô hình nguồn-bộ lọc của lời nói, 'bộ lọc' đại diện cho cái gì?
Bộ lọc là sự cộng hưởng của đường thanh âm - hình dạng của cổ họng, miệng và mũi tạo nên âm thanh. Nguồn gốc là tiếng ồn của dây thanh âm hoặc luồng không khí ồn ào.
Bộ phát âm WORLD trích xuất ba thông số nào từ giọng nói?
WORLD phân tách giọng nói thành tần số cơ bản (F0), đường bao quang phổ (âm sắc/bộ lọc) và tính không tuần hoàn (nhiễu so với cân bằng âm).
Tên thuật toán của WORLD để ước tính đường bao quang phổ là gì?
CheapTrick ước tính một đường bao quang phổ mượt mà, chắc chắn đối với các lỗi nhỏ trong ước tính cao độ.
Tại sao việc tách cao độ khỏi đường bao quang phổ lại hữu ích?
Vì cao độ (F0) và âm sắc (đường bao quang phổ) là các luồng độc lập nên bạn có thể tăng hoặc giảm cao độ mà vẫn giữ được danh tính của người nói.
THẾ GIỚI so sánh với các bộ phát âm thần kinh như HiFi-GAN như thế nào?
WORLD là một bộ phát âm xử lý tín hiệu: nhanh, dễ hiểu và thân thiện với CPU. Bộ phát âm thần kinh thường đạt được độ tự nhiên cao hơn nhưng nặng hơn.