ترجمه فارسی مقاله تسریع در تولید شکل موج با وفاداری بالا از طریق بهینه سازی تطبیق جریان مخالف

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Accelerating High-Fidelity Waveform Generation via Adversarial Flow Matching Optimization
عنوان مقاله به فارسی تسریع در تولید شکل موج با وفاداری بالا از طریق بهینه سازی تطبیق جریان مخالف
نویسندگان Sang-Hoon Lee, Ha-Yeong Choi, Seong-Whan Lee
فرمت مقاله انگلیسی PDF
تعداد صفحات 9
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Sound,Artificial Intelligence,Machine Learning,Audio and Speech Processing,Signal Processing,صدا , هوش مصنوعی , یادگیری ماشین , پردازش صوتی و گفتار , پردازش سیگنال ,
توضیحات Submitted 15 August, 2024; originally announced August 2024. , Comments: 9 pages, 9 tables, 1 figure,
توضیحات به فارسی ارسال شده در 15 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: 9 صفحه ، 9 جدول ، 1 شکل ،
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

This paper introduces PeriodWave-Turbo, a high-fidelity and high-efficient waveform generation model via adversarial flow matching optimization. Recently, conditional flow matching (CFM) generative models have been successfully adopted for waveform generation tasks, leveraging a single vector field estimation objective for training. Although these models can generate high-fidelity waveform signals, they require significantly more ODE steps compared to GAN-based models, which only need a single generation step. Additionally, the generated samples often lack high-frequency information due to noisy vector field estimation, which fails to ensure high-frequency reproduction. To address this limitation, we enhance pre-trained CFM-based generative models by incorporating a fixed-step generator modification. We utilized reconstruction losses and adversarial feedback to accelerate high-fidelity waveform generation. Through adversarial flow matching optimization, it only requires 1,000 steps of fine-tuning to achieve state-of-the-art performance across various objective metrics. Moreover, we significantly reduce inference speed from 16 steps to 2 or 4 steps. Additionally, by scaling up the backbone of PeriodWave from 29M to 70M parameters for improved generalization, PeriodWave-Turbo achieves unprecedented performance, with a perceptual evaluation of speech quality (PESQ) score of 4.454 on the LibriTTS dataset. Audio samples, source code and checkpoints will be available at https://github.com/sh-lee-prml/PeriodWave.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله به معرفی دوره ای از توربو ، یک مدل تولید موج با وفاداری بالا و با کارآیی بالا از طریق بهینه سازی تطبیق جریان مخالف.به تازگی ، مدل های تولیدی تطبیق جریان مشروط (CFM) با موفقیت برای کارهای تولید شکل موج اتخاذ شده اند و یک هدف تخمین میدان بردار واحد را برای آموزش اعمال می کنند.اگرچه این مدل ها می توانند سیگنال های شکل موج با وفاداری بالا ایجاد کنند ، اما در مقایسه با مدل های مبتنی بر GAN ، به مراحل ODE قابل توجهی بیشتر نیاز دارند ، که فقط به یک مرحله نسل واحد احتیاج دارند.علاوه بر این ، نمونه های تولید شده اغلب به دلیل برآورد میدان بردار پر سر و صدا ، فاقد اطلاعات با فرکانس بالا هستند ، که نتوانسته است از تولید مثل فرکانس بالا اطمینان حاصل کند.برای پرداختن به این محدودیت ، ما مدل های تولیدی مبتنی بر CFM از قبل آموزش دیده را با ترکیب یک اصلاح مولد مرحله ثابت تقویت می کنیم.ما از تلفات بازسازی و بازخورد مخالف برای تسریع در تولید شکل موج با وفاداری بالا استفاده کردیم.از طریق بهینه سازی تطبیق جریان مخالف ، فقط برای دستیابی به عملکرد پیشرفته در معیارهای مختلف هدف ، به 1000 مرحله تنظیم دقیق نیاز دارد.علاوه بر این ، ما به طور قابل توجهی سرعت استنباط را از 16 مرحله به 2 یا 4 مرحله کاهش می دهیم.علاوه بر این ، با مقیاس کردن ستون فقرات موج دوره از 29 متر به 70 متر پارامترهای بهبود یافته ، دوره ای از موج توربو به عملکرد بی سابقه ای دست می یابد ، با ارزیابی ادراکی از کیفیت گفتار (PESQ) 4.454 در مجموعه داده های Libritts.نمونه های صوتی ، کد منبع و پاسگاه ها در https://github.com/sh-lee-prml/periodwave در دسترس خواهند بود.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.