Vocoder nima (HiFi-GAN, WaveNet)?

Vocoder (vocoder) — bu model yoki algoritm, u tovush tasvirini (masalan, spektrogramma yoki nutq parametrlari) qayta audio signali qilish uchun ishlatiladi. HiFi-GAN va WaveNet kontekstida — bu neyron tarmoqli vocoderlar bo‘lib, ular o‘rtacha xususiyatlardan yuqori sifatli nutq yoki audio yaratadi.

• WaveNet — avtokorretsiv model bo‘lib, u har bir keyingi namunani oldingi asosida bashorat qilgan holda yuqori aniqlik bilan audio signali yaratadi. Tabiiy tovushni ta’minlaydi, ammo katta hisoblash resurslarini talab qiladi.

• HiFi-GAN — generativ adversarial tarmoq (GAN) bo‘lib, u tezda yuqori sifatli audio sintez qiladi, tabiiylik va tafsilotlarni saqlab qoladi. WaveNetdan ancha tez ishlaydi, bu real vaqt uchun muhim.

Ikkala model ham nutq sintezi tizimlarida (TTS), audio sifatini yaxshilash va boshqa tovush yaratish bilan bog‘liq vazifalarda keng qo‘llaniladi.