Awoṣe Prosody
Awoṣe Prosody kọ awọn ẹrọ orin aladun ti ọrọ, ariwo, ipolowo, wahala, ati pacing ti o gun lori awọn ọrọ naa.
Akopọ
It is what separates a flat robotic voice from one that sounds genuinely human.
Jin Dive
Prosody jẹ orin ti ede: igbega ati isubu ti ipolowo (intonation), bi o ṣe gun awọn ohun ti o waye (akoko), ariwo (agbara), ati ibi ti a ti tẹnu si. Awọn ifẹnukonu wọnyi ni itumọ awọn ọrọ nikan ko ṣe, awọn ibeere ami ifihan si awọn alaye, ẹgan, ijakadi, tabi ọrọ wo ni o ṣe pataki. Awọn ọna ṣiṣe ọrọ-si-ọrọ ni ode oni ṣe apẹẹrẹ prosody pẹlu awọn nẹtiwọọki nkankikan ti o ṣe asọtẹlẹ awọn ibi-iwọn ipolowo, awọn akoko foonu, ati agbara lati ọrọ. Tacotron 2 kọ ẹkọ pupọ ninu eyi laisọtọ nipasẹ akiyesi, lakoko ti FastSpeech 2 jẹ ki o han gbangba nipasẹ asọtẹlẹ iye akoko, ipolowo, ati agbara bi awọn ẹya ikẹkọ lọtọ. Ilana ti o dara da lori ọrọ-ọrọ ti eto ko le gba lati aami ifamisi nikan, eyiti o jẹ idi ti awọn awoṣe n pọ si lo awọn gbolohun ọrọ agbegbe ati paapaa ohun itọkasi lati ṣeto ohun orin to tọ.
Imọ-imọ-ẹrọ
Pitch ti wa ni tọpinpin bi igbohunsafẹfẹ ipilẹ (F0) ti ohun, oṣuwọn awọn agbo ohun naa gbọn. Awọn awoṣe bii FastSpeech 2 ṣafikun ohun ti nmu badọgba iyatọ ti o sọ asọtẹlẹ F0, agbara, ati iye akoko foonu-kọọkan gẹgẹbi awọn ṣiṣan lọtọ, lẹhinna ṣe ipo oluyipada spectrogram lori wọn. Nitoripe ọrọ ṣe ipinnu prosody (gbolohun kan ni ọpọlọpọ awọn kika to wulo), eyi jẹ iṣoro ọkan-si-ọpọlọpọ, nitorinaa awọn ọna ṣiṣe lo awọn latenti iyatọ tabi awọn koodu itọkasi lati mu ifijiṣẹ kan pato dipo aropin sinu monotone.
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 Prosody Modeling
Prosody n lọ si imọ-ọrọ ni gbogbo awọn paragira ati awọn ijiroro, nitorinaa apanirun le kọ ẹdọfu tabi chatbot le baamu iṣesi olumulo kan. Ọrọ ti o tobi ati awọn awoṣe ede n kọ ẹkọ prosody ni apapọ pẹlu itumọ, ṣiṣe awọn knobs iṣakoso fun tcnu, imolara, ati ọna sisọ nipasẹ awọn itọnisọna ọrọ-itọka. Reti awọn iwe ohun afetigbọ, atunkọ, ati awọn oluranlọwọ ti o yatọ si ifijiṣẹ nipa ti ara, pẹlu iṣakoso ti o dara julọ lori awọn aibikita ati mimi lati kọja isan ti o kẹhin ti afonifoji aibikita.
Real-World imuse
Awọn ọna kika iwe ohun ti o yatọ si ipolowo ati pacing ki awọn ipin dun ni asọye kuku ju monotone lọ
Awọn oluranlọwọ foju n ṣe igbega intonation ni ipari bẹẹni / ko si ibeere nitorinaa o dun bi ibeere kan
Fiimu ati awọn irinṣẹ atunkọ fidio ti o baamu tcnu ati ariwo ti ifijiṣẹ oṣere atilẹba
Awọn oluka iboju fun iraye si awọn ọrọ bọtini wahala ki awọn olumulo afọju di gbolohun ọrọ ti o tumọ si yiyara
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 Prosody Modeling 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
XLNet Permutation Modelling
Awọn ibeere ti a beere nigbagbogbo
What is Prosody Modeling?
Awoṣe Prosody kọ awọn ẹrọ orin aladun ti ọrọ, ariwo, ipolowo, wahala, ati pacing ti o gun lori awọn ọrọ naa. O jẹ ohun ti o ya ohun roboti alapin si ọkan ti o dun eniyan nitootọ.
Eyi ti ṣeto ti awọn ẹya ara ẹrọ ti o dara ju apejuwe prosody ninu ọrọ?
Prosody n tọka si awọn agbara ti o ga julọ ti ọrọ, intonation (pitch), rhythm ati iye akoko, wahala, ati agbara (ipariwo), ti o gun lori awọn ọrọ naa.
Ni apẹrẹ prosody, kini igbohunsafẹfẹ ipilẹ (F0) ṣe aṣoju?
F0 jẹ igbohunsafẹfẹ ipilẹ ti ohun, iwọn gbigbọn ti awọn agbo ohun, eyiti a gbọ bi ipolowo tabi orin aladun ti ohun naa.
Bawo ni FastSpeech 2 ṣe ilọsiwaju iṣakoso prosody lori awọn awoṣe iṣaaju?
FastSpeech 2 ṣe afihan ohun ti nmu badọgba iyatọ ti o sọ asọtẹlẹ iye akoko, ipolowo, ati agbara ni gbangba, fifun ni taara diẹ sii ati iṣakoso iduroṣinṣin lori prosody ju akiyesi mimọ lasan.
Kini idi ti asọtẹlẹ prosody lati ọrọ nikan ni a ka si iṣoro ọkan-si-ọpọlọpọ?
Awọn ọrọ kanna ni a le fi jiṣẹ awọn ọna ainiye ti o da lori ero ati ẹdun, nitorinaa awọn awoṣe gbọdọ yan laarin ọpọlọpọ awọn kika prosodic ti o wulo dipo ṣiṣe iṣiro idahun kan.
Itumọ wo ni o ṣe ifihan taara taara pe gbolohun ọrọ Gẹẹsi ti a sọ jẹ bẹẹni/ko si ibeere?
Bẹẹni/Bẹẹkọ awọn ibeere ni ede Gẹẹsi ni igbagbogbo pari pẹlu innation ti o dide, itọsi prosodic ti o ṣe iyatọ wọn lati awọn alaye paapaa pẹlu awọn ọrọ kanna.