Nové AI naklonuje váš hlas z pouhých 5 vteřin hlasového záznamu!

Nový výzkum nám představuje AI převádějící text na řeč (TTS). Algoritmus je tradičně založený na neuronové síti. Při podrobnějším pohledu se skládá ze 3 hlavních komponent:

1. Speaker encoder network (naučený od tisíce řečníků – odtud zná systém jak zní lidský hlas.

2. Dále následuje síť pro syntézu sekvencí založená na Tacotronu 2, která generuje spektrogram z textu.

3. Jako poslední část slouží auto-regresivní vokodér založený na WaveNet, který převádí spektrum na sekvenci vzorků.

Více informací v odkazech.

Ukázka a základní vysvětlení:

Paper: https://arxiv.org/abs/1806.04558