Was ist ein Vocoder (HiFi-GAN, WaveNet)?

Vocoder (Vocoder) ist ein Modell oder Algorithmus, der die Darstellung eines Klangs (z.B. Spektrogramm oder Sprachparameter) wieder in ein Audiosignal umwandelt. Im Kontext von HiFi-GAN und WaveNet sind es neuronale Vocoder, die hochwertige Sprache oder Audio aus Zwischeneigenschaften generieren.

• WaveNet: ist ein autoregressives Modell, das Audiosignale mit hoher Genauigkeit erzeugt, indem es jeden nächsten Sample basierend auf den vorherigen vorhersagt. Es sorgt für einen natürlichen Klang, benötigt aber erhebliche Rechenressourcen.

• HiFi-GAN: ist ein generatives adversariales Netzwerk (GAN), das schnell hochqualitatives Audio synthetisiert und dabei Natürlichkeit und Details bewahrt. Es arbeitet deutlich schneller als WaveNet, was für Echtzeitanwendungen wichtig ist.

Beide Modelle werden häufig in Sprachsynthesesystemen (TTS), zur Verbesserung der Audioqualität und in anderen Aufgaben im Zusammenhang mit der Klanggenerierung eingesetzt.