HiFi-GAN: الشبكات التلافيفية المتنافسة للتركيب الصوتي الفعّال وعالي الولادة

أظهرت عدة دراسات حديثة في مجال توليد الكلام استخدام الشبكات التوليدية التنافسية (GANs) لإنتاج موجات خام. وعلى الرغم من أن هذه الأساليب تحسّن كفاءة العينة واستهلاك الذاكرة، إلا أن جودة العينات الناتجة لم تصل بعد إلى مستوى النماذج التوليدية ذاتية التسلسل (autoregressive) والنمذجة القائمة على التدفق (flow-based). في هذه الدراسة، نقترح نموذج HiFi-GAN، الذي يحقق توليدًا كلاميًا كفؤًا وعالي الجودة في آنٍ واحد. نوضح أن نمذجة الأنماط الدورية في الصوت، نظرًا لكون الصوت الصوتي يتكون من إشارات جيبية بفترات مختلفة، أمر بالغ الأهمية لتحسين جودة العينات. أظهر تقييم بشري موضوعي (متوسط درجة الرأي، MOS) على مجموعة بيانات لمحادثة واحدة أن الطريقة المقترحة تُظهر تشابهًا كبيرًا مع جودة الصوت البشري، مع إنتاج صوت عالي الدقة بتردد 22.05 كيلوهرتز بسرعة تزيد عن 167.9 مرة من السرعة الحقيقية على بطاقة V100 واحدة. كما نوضح قدرة HiFi-GAN على التعميم في استرجاع الميل-спектروغرام لمحادثين غير مُدرَّسين، وفي توليد الكلام من النهاية إلى النهاية. وأخيرًا، يُنتج النسخة الصغيرة الحجم من HiFi-GAN عينات بسرعة تزيد عن 13.4 مرة من السرعة الحقيقية على وحدة المعالجة المركزية (CPU)، مع جودة مقاربة لنموذج ذاتي التسلسل.