کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 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
Nowadays, large-scale text-to-speech (TTS) systems are primarily divided into two types: autoregressive and non-autoregressive. The autoregressive systems have certain deficiencies in robustness and cannot control speech duration. In contrast, non-autoregressive systems require explicit prediction of phone-level duration, which may compromise their naturalness. We introduce the Masked Generative Codec Transformer (MaskGCT), a fully non-autoregressive model for TTS that does not require precise alignment information between text and speech. MaskGCT is a two-stage model: in the first stage, the model uses text to predict semantic tokens extracted from a speech self-supervised learning (SSL) model, and in the second stage, the model predicts acoustic tokens conditioned on these semantic tokens. MaskGCT follows the \textit{mask-and-predict} learning paradigm. During training, MaskGCT learns to predict masked semantic or acoustic tokens based on given conditions and prompts. During inference, the model generates tokens of a specified length in a parallel manner. We scale MaskGCT to a large-scale multilingual dataset with 100K hours of in-the-wild speech. Our experiments demonstrate that MaskGCT achieves superior or competitive performance compared to state-of-the-art zero-shot TTS systems in terms of quality, similarity, and intelligibility while offering higher generation efficiency than diffusion-based or autoregressive TTS models. Audio samples are available at https://maskgct.github.io.
چکیده به فارسی (ترجمه ماشینی)
امروزه ، سیستم های متن به گفتار در مقیاس بزرگ (TTS) در درجه اول به دو نوع تقسیم می شوند: خودجوش و غیر متغیر.سیستم های اتورگرایی در استحکام کمبودهای خاصی دارند و نمی توانند مدت زمان گفتار را کنترل کنند.در مقابل ، سیستم های غیر خودپسندی نیاز به پیش بینی صریح در طول سطح تلفن دارند ، که ممکن است طبیعی بودن آنها را به خطر بیاندازد.ما ترانسفورماتور کدک تولیدی نقاب دار (MASKGCT) را معرفی می کنیم ، یک مدل کاملاً غیر مغرور برای TTS که نیازی به اطلاعات دقیق تراز بین متن و گفتار ندارد.MASKGCT یک مدل دو مرحله ای است: در مرحله اول ، این مدل از متن برای پیش بینی نشانه های معنایی استخراج شده از یک مدل یادگیری خود تحت نظارت گفتار (SSL) استفاده می کند ، و در مرحله دوم ، مدل پیش بینی می کند که نشانه های صوتی با شرط این نشانه های معنایی پیش بینی می شودبشرMASKGCT از الگوی یادگیری \ textit {ماسک و پیش بینی} پیروی می کند.در حین آموزش ، MaskGCT یاد می گیرد که نشانه های معنایی یا آکوستیک ماسک شده را بر اساس شرایط و مطالب مشخص پیش بینی کند.در طول استنتاج ، مدل نشانه های طول مشخص را به صورت موازی تولید می کند.ما MASKGCT را به یک مجموعه داده چند زبانه در مقیاس بزرگ با 100k ساعت گفتار در اثر وحشی مقیاس می دهیم.آزمایشات ما نشان می دهد که MASKGCT در مقایسه با سیستم های پیشرفته TTS از نظر کیفیت ، شباهت و قابل فهم ، عملکرد برتر یا رقابتی را به دست می آورد ، در حالی که بهره وری نسل بالاتری را نسبت به مدل های TTS مبتنی بر انتشار یا خودآزمایی ارائه می دهد.نمونه های صوتی در https://maskgct.github.io در دسترس هستند.
📚 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.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 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
