Tutorials
SpeechT5のレビュー: GoogleのT5をSpeech(ASR, TTS, SID, ...)タスクに導入
T5は単一のエンコーダ-デコーダ事前学習レシピのもとでテキスト間のタスクを統一し、NLPの主要なツールとなりました。
Tutorials
Deepmind's WaveNetのレビュー: TTS/音声合成 (GPTのように見えませんか？)
Tacotronより前に、VALL-Eより前に、ニューラルコデックがオーディオをトークンに変える前に、DeepMindのWaveNetは、ニューラルネットワークがサンプルごとに生のオーディオウェーブフォームを生成し、すべてのパラメトリックなanを上回ることができることを示した論文でした