Vocoder (HiFi-GAN, WaveNet) деген эмне?

Vocoder (vocoder) — бул модель же алгоритм, ал дыбыстын көрсөтмөсүн (мисалы, спектрограмма же сүйлөө параметрлери) кайрадан аудио сигналга айлантат. HiFi-GAN жана WaveNet контекстинде — бул нейрондук vocoderлер, алар аралык өзгөчөлүктөрдөн жогорку сапаттагы сүйлөө же аудио чыгара алышат.

• WaveNet — автогрессиялык модель, ал жогорку тактык менен аудио сигналды түзөт, ар бир кийинки үлгү алдынкысына негизделип болжайт. Табигый үн берет, бирок маанилүү эсептөө ресурстарын талап кылат.

• HiFi-GAN — генеративдик атаандаштык тармак (GAN), ал тез арада жогорку сапаттагы аудио синтездейт, табигыйлык жана деталдарды сактап калат. Ал WaveNetке караганда кыйла тез иштейт, бул реалдуу убакыт үчүн маанилүү.

Эки модел да кеңири колдонулат сүйлөө синтез системдеринде (TTS), аудио сапатын жакшыртууда жана башка үн чыгаруучу тапшырмаларда.