Presná definícia
Čo znamená neurónový vokodér?
Neurónový vokodér generuje časový zvukový priebeh z akustickej reprezentácie, napríklad melového spektrogramu, F0 a ďalších podmienok. Učí sa distribúciu jemnej štruktúry vlny namiesto pevného analytického filtra. Môže byť autoregresívny, tokový, GAN alebo difúzny a mení kvalitu aj latenciu TTS.
Skúsenosť a kontext
Ako sa pojem používa v praxi
TTS služba použije HiFi-GAN na prevod predikovaných melov na reč. Vokodér sa trénuje na licencovaných hlasoch a testuje aj s nedokonalými melmi z reálneho akustického modelu. Sledujú sa artefakty, rýchlosť a nežiaduce zachovanie identity tréningových hovoriacich.
Overiteľnosť
Odborné zdroje
Praktické odpovede
Často kladené otázky
Ako funguje neurónový vokodér?
Generátor podmienený akustickými rámcami vytvára vzorky alebo bloky vlny a tréningová strata porovnáva spektrum, časový signál či diskriminátory.
Kedy má neurónový vokodér praktický význam?
TTS služba použije HiFi-GAN na prevod predikovaných melov na reč.
S čím si pojem nezamieňať?
Akustický model predikuje pomalšiu reprezentáciu reči; vocoder ju realizuje ako vysokofrekvenčný waveform.
Ako sa výsledok kontroluje?
Hodnotí sa MOS, PESQ alebo spektrálna vzdialenosť, real-time factor, stabilita, artefakty a generalizácia na nové hlasy.
Na čo si dať pozor?
Vokodér môže zosilniť chybu melového vstupu, vytvoriť periodické artefakty a preniesť hlasovú podobu z tréningových dát.