Čo je to vocoder (HiFi-GAN, WaveNet)?

Vocoder (vocoder) je model ali algoritem, ktorý premieňa reprezentáciu zvuku (napríklad spektrogram alebo parametre reči) späť na zvukový signál. V kontexte HiFi-GAN a WaveNet sú to neurónové vocodery, ktoré generujú vysokokvalitnú reč alebo zvuk z medziľahlých charakteristík.

• WaveNet: je autoregresívny model, ktorý generuje zvukový signál s vysokou presnosťou, predpovedajúc každý nasledujúci vzor na základe predchádzajúcich. Zabezpečuje prirodzený zvuk, ale vyžaduje značné výpočtové zdroje.

• HiFi-GAN: je generatívna protivná sieť (GAN), ktorá rýchlo syntetizuje vysokokvalitný zvuk, zachovávajúc prirodzenosť a detaily. Funguje podstatne rýchlejšie ako WaveNet, čo je dôležité pre reálny čas.

Oba modely sú široko používané v systémoch syntézy reči (TTS), zlepšovaní kvality zvuku a ďalších úlohách súvisiacich so generovaním zvuku.