概述
它成為現代文字轉語音的標準最終階段,因為它快速、輕巧,且難以與真實錄音區分。
深入探討
聲碼器是大多數 TTS 管道中的最後一步:像 Tacotron 或 FastSpeech 這樣的模型會預測梅爾頻譜圖(隨時間變化的頻率的緊湊圖片),而聲碼器會填充實際的波形樣本。像 WaveNet 這樣的早期神經聲碼器聽起來很棒,但是逐個樣本地生成音頻,這使得它們非常慢。 Kong、Kim 和 Bae 於 2020 年發布的 HiFi-GAN 用經過對抗性訓練的單一前饋生成器取代了自回歸循環。它的關鍵技巧是使用多個鑑別器來判斷不同尺度和不同周期模式的音頻,迫使生成器獲得正確的精細紋理和音調週期。結果是 22 kHz 語音合成速度比 GPU 上的即時合成速度快數百倍,其品質可與地面真實音訊相媲美。
現實世界的實施
產生需要無聲延遲回應的虛擬助理和導航應用程式的語音輸出。
為即時語音克隆和配音工具提供支持,將克隆的梅爾頻譜圖渲染成聽起來自然的音訊。
推動有聲書和播客旁白平台,快速、廉價地合成數小時的語音。
透過 BigVGAN 風格的通用聲碼器充當歌聲合成器和音樂演示中的波形階段。
HiFi-GAN 和 GAN 聲碼器的未來
GAN 聲碼器變得越來越小、越來越快:像 BigVGAN 這樣的後代添加了抗鋸齒激活,以泛化未知的歌手、樂器和語言,而 UnivNet 和 Vocos 則推動通用的全頻段合成。串流媒體和裝置上的變體現在可以在手機和耳塞內運行聲碼,以實現低延遲助手。擴散和流量匹配音頻模型越來越多地被提煉成 GAN 式的單通道生成器,將擴散的保真度與 GAN 的速度融合在一起。預計聲碼器將逐漸成為為語音和音樂提供支援的通用神經音訊編解碼器。
付諸實踐
為什麼這很重要
- 交通與覆蓋範圍. 它透過轉錄、旁白和語音介面提高了可訪問性。
- 成本與預算. 媒體團隊可以用更少的預算更快地交付精美的音訊。
- 速度與規模. 面向客戶的系統可以處理更大規模的語音互動。
留意
- 如果未徵得同意,語音濫用和冒充風險就會增加。
- 由於口音、方言或嘈雜的環境,準確性可能會下降。
- 如果沒有明確的標籤,合成音訊可能會被誤認為是真實的語音。
後續步驟
- 獲得語音捕獲、克隆和重用的明確同意。
- 測試不同揚聲器和背景條件下的品質。
- 定義人員必須審查或批准輸出的時間。
- 標記合成音訊並保留來源記錄以供問責。
不斷探索
常見問題
什麼是 HiFi-GAN 和 GAN 聲碼器?
HiFi-GAN 是一種生成對抗式聲碼器,它幾乎可以立即將梅爾頻譜圖轉換為原始音訊波形,以比即時快得多的速度生成錄音室品質的語音。它成為現代文字轉語音的標準最後階段,因為它快速、輕量級且難以與真實錄音區分開來。
像 HiFi-GAN 這樣的聲碼器在文字轉語音管道中的主要工作是什麼?
声码器是从声学模型生成的梅尔频谱图中合成实际波形样本的最后阶段。
为什么 HiFi-GAN 比早期的 WaveNet 声码器快得多?
WaveNet 逐个样本(自回归)生成音频,而 HiFi-GAN 的前馈发生器一次性输出波形,实现远快于实时的速度。
HiFi-GAN 的多周期鑑別器具體幫助捕獲什麼?
多週期鑑別器使用質數週期將一維波形重塑為二維波形,以偵測與音調相關的週期結構。
GAN 聲碼器經過「對抗性」訓練。這是什麼意思?
在 GAN 設定中,生成器學習產生足夠真實的波形,以欺騙經過訓練以區分真實音訊和合成音訊的鑑別器網路。
後來哪一個聲碼器擴展了 HiFi-GAN,以更好地泛化看不見的聲音、歌唱和樂器?
BigVGAN 擴展了 HiFi-GAN 並添加了抗鋸齒週期性激活,從而提高了對歌聲和樂器等非分佈音訊的泛化。