Madde #504Ses & Konuşma/sozluk/zero-shot-tts
Zero-Shot TTS
Zero-Shot Text-to-Speech (VALL-E, XTTS)
Türkçe: Sıfır Örnekli Metinden Sese Dönüştürme
Ayrıntılı Tanım
Daha önce sesini hiç duymadığı herhangi bir insanın sadece **3 ila 5 saniyelik kısa bir ses kaydını (prompt ses)** dinleyerek; o kişinin ses tonunu, tınısını, aksanını ve oda akustiğini anında kopyalayıp verilen metni o sesle okuyan sistemdir.
Ne İşe Yarar / Çözülen Problem
Bir insanın sesini klonlamak için stüdyoda saatlerce profesyonel kayıt alma ve modeli saatlerce yeniden eğitme (fine-tuning) zorunluluğunu tamamen bitirmiştir.
Nasıl Çalışır? (Teknik & Mekanizma)
Akustik bir bağlam içi öğrenme (In-Context Learning) yürütür. 3 saniyelik referans ses tokenları komutun başına önek (prefix) olarak yapıştırılır; model bu öneki koşul kabul ederek metni aynı akustik stilde devam ettirir.
Örnek Senaryo & Pratik Uygulama
Telefonunuzdan annenizin 3 saniyelik "Alo oğlum" sesini sisteme yükleyip; koca bir romanı annenizin şefkatli ses tonuyla dinleyebilmek.
Benzer Terimlerden Farkı
Modeli yeniden eğitmez; Transformer'ın dikkat mekanizması sayesinde referans sesin özelliklerini anlık olarak kopyalar.
İlişkili Terimler (2)
Ses, Konuşma ve Müzik Yapay Zekâsı
ASR (Whisper), TTS, Vocoder, Spektrogram analizi ve nöral ses üretimi.
Toplam Terim:30 Madde
Bu Kategorideki Tüm Terimleri Gör →Önceki Terim (#503)Audio Language Modeling (Ses Dil Modellemesi)
Sonraki Terim (#505)Voice Cloning