NaturalSpeech ati wiwaba Itankale TTS
NaturalSpeech jẹ laini ti iwadii Microsoft TTS ti o ni ifọkansi fun didara ọrọ-sisọ ipele eniyan, pẹlu awọn ẹya nigbamii ti o nlo itọka wiwaba lati ṣe ina ọlọrọ, awọn ohun adayeba.
Akopọ
It shows how diffusion models, famous for images, can produce expressive, controllable audio.
Jin Dive
NaturalSpeech atilẹba (2022) jẹ eto akọkọ ti a royin lati de didara ipele eniyan lori ala LJSpeech, ṣe idajọ nipasẹ awọn olutẹtisi ti ko le sọ ni igbẹkẹle lati awọn gbigbasilẹ gidi. O lo oluyipada autoencoder iyatọ pẹlu awọn iṣaju ti o baamu ni pẹkipẹki lati pa aafo laarin ikẹkọ ati itọkasi. NaturalSpeech 2 lẹhinna gba ọna itọka wiwakọ kan: ọrọ jẹ koodu nipasẹ koodu ohun afetigbọ ti iṣan sinu awọn aarọ wiwadi ti nlọ lọwọ, ati pe awoṣe itọka kan kọ ẹkọ lati ṣe agbekalẹ awọn wiwakọ wọnyẹn lati ọrọ, ti o mu ki didi ohun ti o lagbara ti odo-shot ṣiṣẹ lati iyara kukuru kan. NaturalSpeech 3 ṣe afihan itọka ti o ni iwọn, yiya sọtọ ọrọ si awọn abuda ti o yapa bi akoonu, prosody, timbre, ati alaye akositiki, nitorinaa ọkọọkan le ṣe apẹrẹ ati iṣakoso ni ominira fun iṣotitọ giga ati irọrun.
Imọ-imọ-ẹrọ
Itankale wiwaba n ṣiṣẹ nipa fifi ariwo kun si aṣoju wiwakọ iwapọ ti ọrọ ati ikẹkọ nẹtiwọọki kan lati yi igbesọ ariwo yẹn ni igbese. Dipo kiko awọn fọọmu igbi aise tabi awọn iwoye ni kikun, NaturalSpeech 2 kọ awọn aṣiri kodẹki, eyiti o jẹ iwọn kekere ati rọrun lati ṣe awoṣe. Imudara lori ọrọ ati itọka ohun itọka itọka itusilẹ yiyi pada, nitorinaa awọn idasile ti o kẹhin ti a ṣe ayẹwo sinu ọrọ ti o baamu akoonu ti o beere ati idanimọ agbọrọsọ.
Ipa Ilana
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.
Ojo iwaju ti NaturalSpeech ati wiwaba Itankale TTS
Ti o da lori itọka ati TTS ti o ni iṣiro tọka si awọn ohun ti kii ṣe adayeba nikan ṣugbọn o jẹ steerable daradara, jẹ ki awọn olumulo ṣatunṣe timbre, imolara, ati prosody bi awọn ipe ominira. Reti iṣapẹẹrẹ yiyara nipasẹ distillation ati itankale igbesẹ diẹ, cloning odo-shot ti o lagbara lati awọn iṣẹju-aaya ti ohun ohun, ati isọdọkan ju pẹlu awọn awoṣe ede nla fun ifijiṣẹ mimọ-ọrọ. Awọn ilọsiwaju wọnyi tun pọ si iwulo fun isamisi omi ati awọn aabo ifọkansi, niwọn igba ti cloning iṣootọ giga n gbe awọn eewu ilokulo to han gbangba.
Real-World imuse
Awọn ile-iṣere atunkọ ṣe oniye ohun oṣere kan lati apẹẹrẹ kukuru kan lati sọ awọn fiimu di agbegbe, ni lilo ẹda-ara-odo-shot ti NaturalSpeech 2.
Awọn iru ẹrọ iwe ohun n ṣe agbekalẹ alaye ti ipele eniyan ti awọn olutẹtisi tiraka lati ṣe iyatọ si talenti ohun gidi.
Awọn irinṣẹ iraye si ṣe atunṣe ohun ti ara ẹni lati awọn igbasilẹ atijọ fun awọn ti o padanu ọrọ wọn.
Awọn suites ẹda akoonu jẹ ki awọn olootu ṣe ni ominira ṣatunṣe timbre ati prosody, ni mimu awọn abuda ti o ni ipin NaturalSpeech 3.
Awọn ewu & Awọn ọna iṣọ
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.
Ilana Ilana imuse
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
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 NaturalSpeech and Latent Diffusion TTS 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
Itọsọna atẹle
Idurosinsin Audio wiwaba Itankale
Awọn ibeere ti a beere nigbagbogbo
What is NaturalSpeech and Latent Diffusion TTS?
NaturalSpeech jẹ laini ti iwadii Microsoft TTS ti o ni ifọkansi fun didara ọrọ-sisọ ipele eniyan, pẹlu awọn ẹya nigbamii ti o nlo itọka wiwaba lati ṣe ina ọlọrọ, awọn ohun adayeba. O fihan bi awọn awoṣe itankale, olokiki fun awọn aworan, le gbejade ikosile, ohun afetigbọ iṣakoso.
Ohun-iṣẹlẹ wo ni NaturalSpeech atilẹba (2022) royin lati ṣaṣeyọri?
NaturalSpeech jẹ ijabọ akọkọ bi eto akọkọ lati de didara ipele eniyan lori LJSpeech, pẹlu awọn olutẹtisi ti ko le ṣe iyasọtọ iyatọ rẹ si ọrọ gidi.
Kí ni NaturalSpeech 2 ká wiwaba tan kaakiri awoṣe kosi?
NaturalSpeech 2 tan kaakiri lori awọn apamọ kodẹki, eyiti o jẹ iwapọ ati rọrun lati ṣe awoṣe ju awọn fọọmu igbi aise, lẹhinna pinnu wọn si ohun.
Bawo ni awoṣe itankale ṣe n ṣe ipilẹṣẹ data ni ipele giga?
Itankale n ṣe afikun ariwo lakoko ikẹkọ ati kọ ẹkọ lati yiyipada rẹ, ti o ṣẹda awọn apẹẹrẹ nipasẹ didin ni ilọsiwaju lati ariwo laileto.
Agbara bọtini wo ni itọka wiwaba fun NaturalSpeech 2?
Nipa imudara lori itọsi ohun kukuru, NaturalSpeech 2 le ṣe ẹda ohun agbọrọsọ kan ti ko ti ni ikẹkọ ni gbangba lori.
Kini imọran agbedemeji ti NaturalSpeech 3's 'itankale ipin'?
Itọka kaakiri akoonu npa akoonu, prosody, timbre, ati alaye akositiki jẹ ki ẹda kọọkan le jẹ apẹrẹ ati iṣakoso lọtọ.