ترجمه فارسی مقاله شبیه سازی صوتی پیشرفته برای نپالی: استفاده از یادگیری انتقال در زبانی با منابع کم

چکیده

Voice cloning is a prominent feature in personalized speech interfaces. A neural vocal cloning system can mimic someone’s voice using just a few audio samples. Both speaker encoding and speaker adaptation are topics of research in the field of voice cloning. Speaker adaptation relies on fine-tuning a multi-speaker generative model, which involves training a separate model to infer a new speaker embedding used for speaker encoding. Both methods can achieve excellent performance, even with a small number of cloning audios, in terms of the speech’s naturalness and similarity to the original speaker. Speaker encoding approaches are more appropriate for low-resource deployment since they require significantly less memory and have a faster cloning time than speaker adaption, which can offer slightly greater naturalness and similarity. The main goal is to create a vocal cloning system that produces audio output with a Nepali accent or that sounds like Nepali. For the further advancement of TTS, the idea of transfer learning was effectively used to address several issues that were encountered in the development of this system, including the poor audio quality and the lack of available data.

چکیده به فارسی (ترجمه ماشینی)

کلونینگ صوتی یک ویژگی برجسته در رابط های گفتاری شخصی است.یک سیستم کلونینگ صوتی عصبی می تواند با استفاده از چند نمونه صوتی ، صدای کسی را تقلید کند.رمزگذاری بلندگو و سازگاری بلندگوها مباحث تحقیق در زمینه کلونینگ صوتی هستند.سازگاری بلندگو به تنظیم دقیق یک مدل تولیدی چند بلندگو متکی است ، که شامل آموزش یک مدل جداگانه برای استنباط یک بلندگو جدید است که برای رمزگذاری بلندگو استفاده می شود.هر دو روش از نظر طبیعی بودن و شباهت گفتار و شباهت با بلندگو اصلی می توانند به عملکرد عالی ، حتی با تعداد کمی از صوتی های کلونینگ ، دست یابند.رویکردهای رمزگذاری بلندگو برای استقرار کم منبع مناسب تر است زیرا به حافظه قابل توجهی نیاز دارند و زمان کلونینگ سریعتر از سازگاری بلندگو دارند که می تواند طبیعی بودن و شباهت کمی بیشتر داشته باشد.هدف اصلی ایجاد یک سیستم کلونینگ آوازی است که با لهجه نپالی تولید صدا را تولید می کند یا به نظر می رسد نپالی است.برای پیشرفت بیشتر TTS ، از ایده یادگیری انتقال به طور موثری برای پرداختن به چندین مسئله که در توسعه این سیستم با آن روبرو شده اند ، از جمله کیفیت صوتی ضعیف و کمبود داده های موجود استفاده شده است.