Deep Voice 3

Deep Voice 3, développé par Baidu, représente un bond en avant significatif dans la technologie de synthèse vocale (TTS), utilisant une architecture de réseau neuronal entièrement convolutive qui se concentre sur la mise à l'échelle de la synthèse vocale avec l'apprentissage de séquences convolutives. Ce système démontre un équilibre exceptionnel de naturel dans la synthèse vocale, correspondant à la qualité des systèmes TTS neuronaux de pointe, tout en atteignant des vitesses d'entraînement jusqu'à dix fois plus rapides. La conception de Deep Voice 3 permet de gérer de grands ensembles de données, de former plus de huit cents heures d'audio provenant de plus de deux mille locuteurs, ce qui le rend très polyvalent et évolutif dans différentes langues et voix ([source](https://arxiv.org /abs/1710.07654)).

Les principales fonctionnalités de Deep Voice 3 incluent son utilisation innovante de couches convolutives résiduelles pour coder le texte en vecteurs clés et valeurs pour un décodeur basé sur l'attention. Ce décodeur prédit ensuite les spectrogrammes d'amplitude logarithmique à l'échelle Mel, correspondant à l'audio de sortie, à l'aide d'un réseau de convertisseurs qui prédit les paramètres du vocodeur pour la synthèse de forme d'onde. L'architecture du système met l'accent sur l'importance du prétraitement du texte, y compris la normalisation et l'utilisation de caractères spéciaux pour indiquer les pauses, ce qui améliore considérablement la qualité de la parole en réduisant les erreurs de prononciation et en améliorant le flux naturel de la parole ([source](https://arxiv.org/ abs/1710.07654)).

De plus, Deep Voice 3 se distingue par son approche de la gestion des scénarios multi-locuteurs grâce à des intégrations de haut-parleurs pouvant être entraînées, et par la flexibilité permettant d'entraîner des modèles sur des entrées de phonème uniquement, de caractères uniquement ou mixtes de caractères et de phonèmes. Cette adaptabilité permet d'améliorer la précision de la prononciation et de corriger les erreurs de prononciation à l'aide d'un dictionnaire de phonèmes, répondant aux exigences nuancées des applications du monde réel (source).

Pour des informations plus détaillées sur l'architecture de Deep Voice 3, y compris ses composants d'encodeur, de décodeur et de convertisseur, et ses implications pour l'avenir de la technologie de synthèse vocale, vous pouvez vous référer à l'étude complète disponible sur [arXiv](https:/ /arxiv.org/abs/1710.07654).