Els motors de text a veu (TTS) i de síntesi de veu utilitzen diferents models d'aprenentatge automàtic per generar veu humana. Un d'aquests models és el model de veu autoregressiu, molt emprat en la generació de veu. Aquest article explica com funciona i com s'aplica a la síntesi de veu.
Explicació del model autoregressiu
Un model autoregressiu és un model estadístic utilitzat sovint en processament de senyals, reconeixement i síntesi de veu. És clau en la tecnologia de veu moderna, especialment en sistemes TTS. Aquí tens una analogia: imagina una màquina que pot predir el temps. Cada dia, la màquina té en compte el temps del dia anterior (la part “autoregressiva”). Analitza la temperatura, la humitat i la velocitat del vent per predir el temps de demà. També té en compte altres factors com l’època de l’any, la ubicació o els patrons meteorològics (la part “model”). Amb tota aquesta informació, fa una predicció. Potser no serà 100% precisa, però com més dades tingui, millors seran les prediccions. Aquest és un exemple de model autoregressiu. El concepte bàsic és senzill: prediu el següent valor d’una sèrie temporal a partir dels valors anteriors. És a dir, utilitza una combinació lineal de punts anteriors per predir el següent de la seqüència. Aquesta capacitat predictiva fa que els models autoregressius siguin ideals per a la tecnologia de veu, on s’ha de predir la mostra d’àudio següent a partir de les anteriors. Un model autoregressiu té dos components principals: codificador i descodificador. El codificador transforma el senyal d’entrada (com un espectrograma o una seqüència de fonemes) en una representació latent. El descodificador la converteix en la sortida final (ona o espectrograma). Un model popular és WaveNet, que fa servir convolució causal dilatada per modelar el procés. És un model gaussià que genera àudio d’alta qualitat molt natural. També es pot condicionar el procés de generació amb diferents dades d’entrada; per exemple, entrenar el sistema TTS amb molts parlants per generar veus diferents segons la identitat del parlant. Els models es poden entrenar amb diversos algoritmes com autoencoders variacionals o xarxes neuronals recurrents (RNNs). Les dades d’entrenament han de ser d’alta qualitat per aconseguir una veu natural i precisa.
Aplicació del model autoregressiu a la síntesi de veu
La síntesi de veu consisteix a generar veu humana des d’una màquina. Un mètode popular és el model autoregressiu. En aquest cas, la màquina analitza i prediu característiques acústiques com el to, la durada i el volum mitjançant el codificador i el descodificador. El codificador processa dades de veu com ondes o espectrogrames en característiques d’alt nivell. Aquestes passen al descodificador, que genera la seqüència acústica de la veu desitjada. El model, pel seu caràcter autoregressiu, prediu cada característica a partir de les anteriors, i així obté un resultat natural. Un dels models autoregressius més utilitzats és WaveNet, que empra xarxes neuronals convolucionals (CNNs) per generar característiques acústiques que després es converteixen en veu amb un vocoder. S’entrena amb mostres d’alta qualitat per aprendre patrons i relacions acústiques. Els models preentrenats, com les xarxes LSTM, fan que l’entrenament sigui més ràpid i eficient. Per millorar la qualitat de la veu sintetitzada, s’han proposat modificacions a WaveNet, com FastSpeech, que redueix la latència i augmenta la velocitat amb un mecanisme d’atenció que prediu la durada i el to de cada fonema. Un altre àmbit és la conversió de veu, on es vol transformar la veu d’una persona perquè soni com la d’una altra; el model s’entrena amb dades de tots dos parlants i pot convertir la veu de l’origen a la del destí mantenint el contingut i la prosòdia. Un component clau és el vocoder neuronal, responsable de generar les ones de veu. Sense ell, la veu sonaria robòtica i poc natural. Els estudis en models autoregressius acumulen més de 2.3 mil milions de citacions, fet que demostra la seva importància, i s’han presentat resultats a l’ICASSP i publicacions a arxiv.org i GitHub amb diferents tècniques i arquitectures. Els models s’avaluen amb mètriques com MOS, WER i distorsió espectral (SD).
Converteix-te en expert en TTS amb Speechify
Speechify és un servei TTS que fa servir IA per generar narració natural per a tot tipus de textos. El servei converteix text en veu utilitzant un model de deep learning entrenat amb moltes mostres. Només cal enganxar o pujar el fitxer i triar la veu i l’idioma. Speechify genera un fitxer d'àudio d'alta qualitat que pots descarregar o compartir. Fa servir un model autoregressiu per garantir que la parla sigui fluida i natural. Pots crear àudio d'alta qualitat en temps real per a podcasts, vídeos i audiollibres. Prova Speechify avui mateix i descobreix una nova manera d’obtenir àudio d’alta qualitat per als teus projectes.
PMF
Què és un model autoregressiu de sèries temporals?
Un model autoregressiu de sèries temporals prediu valors futurs a partir dels valors passats.
Quina diferència hi ha entre AR i ARMA?
ARMA és un model generalitzat amb components autoregressius i de mitjana mòbil, mentre que AR només és autoregressiu i no inclou la mitjana mòbil.
Diferència entre sèries temporals i deep learning?
L'anàlisi de sèries temporals és una tècnica estadística per analitzar dades seqüencials en el temps. El deep learning entrena xarxes neuronals artificials perquè aprenguin directament de les dades.
Diferència entre models autoregressius i no autoregressius?
Els models autoregressius generen les sortides una a una depenent de les anteriors, mentre que els no autoregressius generen en paral·lel sense tenir-les en compte.
