Co je to vocoder (HiFi-GAN, WaveNet)?

Vocoder (vocoder) je model nebo algoritmus, který přeměňuje reprezentaci zvuku (například spektrogram nebo parametry řeči) zpět na zvukový signál. V kontextu HiFi-GAN a WaveNet jsou to neuronové vocodery, které generují vysoce kvalitní řeč nebo zvuk z mezilehlých znaků.

• WaveNet: je autoregresivní model, který generuje zvukový signál s vysokou přesností tím, že předpovídá každý následující vzorek na základě předchozích. Zajišťuje přirozený zvuk, ale vyžaduje značné výpočetní zdroje.

• HiFi-GAN: je generativní adversariální síť (GAN), která rychle syntetizuje zvuk vysoké kvality, zachovávající přirozenost a detaily. Funguje podstatně rychleji než WaveNet, což je důležité pro reálný čas.

Oba modely jsou široce používány v systémech syntézy řeči (TTS), zlepšování kvality zvuku a dalších úlohách souvisejících se generováním zvuku.