Up tókànItọsọna atẹle
Ijapa TTS Autoregressive Synthesis
Ohùn AI
Audio AI Itọsọna
FastSpeech ati Ti kii-Autoregressive TTS
FastSpeech ṣe ipilẹṣẹ gbogbo iwoye ọrọ sisọ ni afiwe kuku ju fireemu kan ni akoko kan, ṣiṣe iṣelọpọ ni iyara yiyara ati iduroṣinṣin diẹ sii.
Gbọ si itọsọna yiiAI-ṣe afihan · ~2 min
Lori iwe yi2 min ka
Akopọ
O yanju iran ti o lọra, ti o ni aṣiṣe ti o ni ipọnju awọn awoṣe autoregressive iṣaaju bi Tacotron.
Jin Dive
Awọn awoṣe TTS neural ti iṣaaju bii Tacotron 2 jẹ adaṣe adaṣe: wọn ṣe asọtẹlẹ fireemu ohun afetigbọ kọọkan ti o ni ilodi si ọkan ti tẹlẹ, eyiti o lọra ati itara lati fo tabi awọn ọrọ atunwi nigbati akiyesi ba jẹ aṣiṣe. FastSpeech, ti a ṣe nipasẹ Microsoft ati Ile-ẹkọ giga Zhejiang ni ọdun 2019, yi eyi pada nipa sisọ asọtẹlẹ gbogbo awọn fireemu ni ẹẹkan. Nẹtiwọọki ti o da lori ifunni-iyipada ti n gba awọn foonu foonu, sọ asọtẹlẹ ni kedere bi o ṣe pẹ to ti foonu kọọkan yẹ ki o pẹ to pẹlu olutọsọna gigun, o si faagun ọkọọkan si nọmba awọn fireemu ti o tọ ṣaaju ṣiṣe ipilẹṣẹ spectrogram ni iwe-iwọle kan. FastSpeech 2 ni ilọsiwaju lori eyi nipa sisọ asọtẹlẹ ipolowo ati agbara daradara, ati nipasẹ awọn ibi-afẹde iye akoko ikẹkọ lati titete ti a fi agbara mu dipo kiko wọn lati awoṣe olukọ ti o lọra, ti nso ọrọ adayeba diẹ sii ati iṣakoso.
Real-World imuse
Awọn ohun elo lilọ kiri ni akoko gidi ṣe ipilẹṣẹ awọn itọsi ohun titan-nipasẹ-titan lesekese ni lilo isọdọkan ara FastSpeech.
Awọn ọna ṣiṣe alabara-iṣẹ IVR ṣe iyipada ọrọ ti o ni agbara si ọrọ ni iwọn laisi awọn aṣiṣe foo-ọrọ.
Awọn oluka iboju iraye si gbejade iyara, ọrọ ti o gbẹkẹle fun awọn iwe aṣẹ gigun lori ohun elo iwọntunwọnsi.
Awọn irinṣẹ akoonu ohun jẹ ki awọn olupilẹda tweak ipolowo ati oṣuwọn sisọ taara, o ṣeun si ipolowo gbangba ti FastSpeech 2 ati awọn asọtẹlẹ agbara.
Ojo iwaju ti FastSpeech ati Ti kii-Autoregressive TTS
Iṣajọpọ ti kii ṣe autoregressive jẹ aiyipada fun iṣelọpọ TTS nitori pe o yara, logan, ati iṣakoso. Awọn ọna ṣiṣe iwaju titari si iṣakoso prosody ti o dara julọ, ṣiṣan lairi kekere fun awọn ohun elo laaye, ati awọn iyatọ ipari-si-opin ti o foju iwoye agbedemeji patapata. Itankale- ati ṣiṣan-orisun awọn awoṣe ti kii ṣe autoregressive tun n dide, idapọmọra ifaramọ FastSpeech pẹlu didara ipilẹṣẹ ti o lagbara, lakoko ti ipolowo ati awọn iṣakoso iye akoko wa ni idiyele fun ṣiṣatunṣe, awọn ọja ohun ikosile.
Fifi o sinu iwa
Kini idi ti o ṣe pataki
- Wiwọle ati arọwọto. O ṣe ilọsiwaju iraye si nipasẹ transcription, alaye, ati awọn atọkun ohun.
- Iye owo ati isuna. Awọn ẹgbẹ Media le firanṣẹ ohun didan yiyara pẹlu awọn isuna-owo kekere.
- Iyara ati iwọn. Awọn ọna ṣiṣe ti nkọju si alabara le ṣe ilana awọn ibaraẹnisọrọ sisọ ni iwọn nla.
Ṣọra fun
- ilokulo ohun ati awọn ewu afarawe ṣe pọ si nigbati igbanilaaye ba sonu.
- Yiye le ju silẹ kọja awọn asẹnti, awọn ede-ede, tabi awọn agbegbe alariwo.
- Ohun afetigbọ sintetiki le jẹ aṣiṣe fun ọrọ ododo laisi isamisi to yege.
Next awọn igbesẹ
- Gba ifọkansi ti o fojuhan fun gbigba ohun, ti ẹda, ati ilotunlo.
- Didara idanwo kọja awọn agbohunsoke oniruuru ati awọn ipo abẹlẹ.
- Ṣetumo nigbati eniyan gbọdọ ṣe atunyẹwo tabi fọwọsi awọn abajade.
- Aami ohun sintetiki ki o tọju awọn igbasilẹ provenance fun iṣiro.
Tesiwaju Ṣiṣawari
Ìwé ìròyìn ọfẹ
Gba ìkànìyàn AI ojoojúmọ́
Ìtàn AI mẹta tó jẹ́rìí ní gbogbo owurọ́ ọjọ́ iṣẹ́, kọ́wé ní Gẹ̀ẹ́sì tó rọrùn. Ọfẹ́ fún gbogbo àkókò, kò sí ìpolówó.
Ìmeèlì kan ní gbogbo ọjọ́ iṣẹ́. Yọkúrò ní ìkànìyàn ní ìkànìyàn kan. A kò ta tàbí pín àdírẹ́sì rẹ.
Ṣe idanwo fun ara rẹ
Take the FastSpeech and Non-Autoregressive TTS quiz
Ìdáhùn lẹ́sẹ̀kẹsẹ̀ lórí gbogbo ìdáhùn, àti iwe-ẹ̀rí tó lè pin pẹ̀lú ID tó lè jẹ́rìí lẹ́yìn tí o bá kọ́ ẹ̀kọ́.
Ṣe àtìlẹ́yìn ẹ̀kọ́ AI ọfẹ́. AI Understanding jẹ́ àjọ àìní èrè 501(c)(3) — kò sí ìpolówó, kò sí àkúnya owó, ní gbogbo àkókò. Ṣe ẹbun kan
Awọn ibeere ti a beere nigbagbogbo
Kini FastSpeech ati TTS ti kii ṣe Autoregressive?
FastSpeech ṣe ipilẹṣẹ gbogbo iwoye ọrọ sisọ ni afiwe kuku ju fireemu kan ni akoko kan, ṣiṣe iṣelọpọ ni iyara yiyara ati iduroṣinṣin diẹ sii. O yanju awọn o lọra, aṣiṣe-prone iran ti o plagued sẹyìn autoregressive si dede bi Tacotron.
Kini 'ti kii ṣe autoregressive' tumọ si ni ọrọ ti FastSpeech?
Ti kii ṣe autoregressive tumo si awọn fireemu ti wa ni iṣelọpọ ni afiwe ni iwe-iwọle kan, kii ṣe ni ilodi si ọkan-nipasẹ-ọkan lori awọn fireemu iṣaaju.
Eyi ti isoro ti autoregressive si dede bi Tacotron 2 FastSpeech ni pato koju?
Ifarabalẹ aifọwọyi le ṣe aiṣedeede, nfa ti fo tabi awọn ọrọ ti o tun ṣe, ati iyipada ti o tẹle jẹ o lọra; FastSpeech ṣe atunṣe mejeeji.
Kini ipa ti 'olutọsọna gigun' ni FastSpeech?
Olutọsọna gigun gbooro awọn ẹya foonu nipasẹ awọn akoko asọtẹlẹ wọn, titọ lẹsẹsẹ ọrọ kukuru si spectrogram to gun.
Awọn iyatọ ọrọ afikun wo ni FastSpeech 2 ṣe ipo lori lakoko ikẹkọ ati itọkasi?
FastSpeech 2 nlo iye akoko, ipolowo, ati alaye agbara bi awọn igbewọle ipo si iyatọ ọrọ awoṣe to dara julọ.
Kini idi ti akoko itọkasi FastSpeech ko dagba pẹlu gigun gbolohun ọrọ?
Nitoripe iran jẹ afiwera, fifi awọn fireemu diẹ sii ko ni isodipupo awọn igbesẹ lẹsẹsẹ ni ọna ti iyipada autoregressive ṣe.
Tesiwaju kikọ
Jẹmọ awọn itọsọna
Awọn itọsọna diẹ sii ti a yan fun koko yii