Presná definícia
Čo znamená Tacotron?
Tacotron je end-to-end sekvenčný model TTS, ktorý mapuje znaky alebo textové jednotky na melové či lineárne spektrogramové rámce pomocou encoder-decoder architektúry s attention. Znižuje potrebu ručne navrhnutého front-endu, no attention môže pri dlhom alebo neobvyklom texte preskočiť či zopakovať úsek.
Skúsenosť a kontext
Ako sa pojem používa v praxi
Prototyp hlasovej čítačky používa Tacotron na predikciu melov a samostatný vokodér na zvuk. Testovacia sada cieli na čísla, skratky, dlhé vety a opakovania; attention alignment sa vizuálne kontroluje. Výstup má licencovaný syntetický hlas a označený pôvod.
Overiteľnosť
Odborné zdroje
Praktické odpovede
Často kladené otázky
Ako funguje Tacotron?
Encoder spracuje textové symboly, attention vyberá relevantné pozície a autoregresívny decoder predikuje po blokoch akustické rámce až po stop token.
Kedy má Tacotron praktický význam?
Prototyp hlasovej čítačky používa Tacotron na predikciu melov a samostatný vokodér na zvuk.
S čím si pojem nezamieňať?
WaveNet je vokodér generujúci waveform; Tacotron je textovo-akustický model, ktorý predikuje medzireprezentáciu reči.
Ako sa výsledok kontroluje?
Hodnotí sa MOS, zrozumiteľnosť, WER, coverage a monotónnosť attention, počet vynechaní/opakovaní a čas inferencie.
Na čo si dať pozor?
Nestabilné attention pri dlhom texte vynechá alebo zopakuje slová a model môže nesprávne vysloviť symboly mimo tréningovej normalizácie.