ဉာဏ်စက် ဗှ်လိက်
| တင်ဂၞင် သဇိုင်ဂမၠိုင် | |
|---|---|
| ဂကူ နဲပညာ: | ဉာဏ်စက် (Artificial Intelligence)၊ သ္ၚေဝ်ဂၠေပ် အရေဝ်ဘာသာ (NLP) |
| လွပ် အဓိက: | ကၠာဲ လိက် နဒဒှ် ရမ္သာင် (Text-to-Speech) |
| မဝ်ဒေဝ် သဇိုင်: | Tacotron 2, FastSpeech 2, VITS |
| အခန်ကဏ္ဍ: | ပရေင်ပညာ၊ ပရေင်စဵုဒၞာ၊ မင်မွဲ အရေဝ်ဘာသာ |
ဉာဏ်စက် ဗှ်လိက် ဟွံသေင်မ္ဂး နူရဴ ရဳဒါ (အၚ်္ဂလိက်: Neural Reader / Neural Text-to-Speech) ဝွံ ဒှ် နဲပညာ ဉာဏ်စက် (AI) မစကာ ကွန်ပျူတာ သွက်ဂွံ ဗှ်ပတိတ် လိက် နကဵု ရမ္သာင် မတုပ်ညံင်ရဴ ရမ္သာင် မၞိဟ် ဇေတ်ဇေတ် ရ။ နဲပညာဏအ်ဝွံ ပြံင်လှာဲစၠောအ်ကဵု လိက် (Text) ညံင်ဂွံ ဒှ်အာ ရမ္သာင် ဟီုဂး (Speech) နကဵု လၟေင်ကမၠောန် သ္ၚေဝ်ဂၠေပ် အရေဝ်ဘာသာ သဘာဝ (Natural Language Processing - NLP) ကေုာံ မဝ်ဒေဝ် နူရဴ (Neural Networks) မသၠုင်ပြဲ ရ။
လဒက်ပ္တန် နဲပညာ သဇိုင် (Core Architecture)
[ပလေဝ်ဒါန် | ပလေဝ်ဒါန် တမ်ကၞက်]ဉာဏ်စက် ဗှ်လိက် ခေတ်တၟိ ဗွဲမဂၠိုင်ဝွံ ဒက်ပ္တန်လဝ် နကဵု ကဏ္ဍ အဓိက ပိ သာ် အတိုင် ဗွဲသၟဝ်ဏအ် ရ-
- သၞောတ်သ္ၚေဝ်ဂၠေပ် လိက် (Text Frontend / NLP Pipeline):
- ကဏ္ဍဏအ်ဝွံ ဒှ် အရာ မဖအး ကေုာံ ပြင်ဆင် လိက် ရ။ ဍေံ ကၠာဲစၠောအ်ကဵု မအက္ခရ် (Graphemes) ညံင်ဂွံ ဒှ်အာ သင်္ကေတ ရမ္သာင် (Phonemes) မကော်စ နဲကဲ G2P (Grapheme-to-Phoneme) ရ။ သွက် အရေဝ်ဘာသာ မနွံကဵု နဲကဲချူ နာနာဗီု (Dual orthographies) မ္ဂး ကဏ္ဍဏအ် နွံပၟိက် ကု အဘိဓာန် ရမ္သာင် (Phonetic dictionary) မချိုတ်ပၠိုတ် ရ။
- မဝ်ဒေဝ် ရမ္သာင် (Acoustic Model):
- မဝ်ဒေဝ် ဏအ်ဝွံ ဒှ် "က္ဍဟ်" ဉာဏ်စက် ရ။ ဍေံ ကေတ် သင်္ကေတ ရမ္သာင် နူကဵု ကဏ္ဍ ပထမ တုဲ၊ ခၞံဗဒှ် ပတိတ် တင်ဂၞင် လပှ်ရမ္သာင် (Mel-spectrogram) ရ။ မဝ်ဒေဝ် မပြာကတ်တအ်ဂှ် ဒှ် Tacotron 2, FastSpeech 2, ကေုာံ VITS တအ် ရ။
- ဗိုကဝ်ဒါ (Vocoder):
- ကဏ္ဍဏအ်ဝွံ ဒှ် "ရမ္သာင်" ဉာဏ်စက် ရ။ ဍေံ ကေတ် တင်ဂၞင် လပှ်ရမ္သာင် (Mel-spectrogram) ဂှ်တုဲ ကၠောန်ပတိတ် လပှ်ရမ္သာင် ဇေတ်ဇေတ် (Audio waveform) မၞိဟ်တအ် ဂွံမိင်ကေတ် မာန် ရ။ (ဥပမာ - HiFi-GAN)။
ပရေင်မင်မွဲ အာဲကၟာဲ အရေဝ်ဘာသာ (Application in Language Preservation)
[ပလေဝ်ဒါန် | ပလေဝ်ဒါန် တမ်ကၞက်]ပ္ဍဲကဵု ဗွိုက်လ္ၚတ် သုတေသန ကေုာံ ပရေင်မင်မွဲ ယေန်သၞာင်မ္ဂး၊ ဉာဏ်စက် ဗှ်လိက် ဝွံ နွံကဵု အခန်ကဏ္ဍ ကိစ္စဇၞော် ဗွဲမလောန် ရ-
- အရေဝ်ဘာသာ တင်ဂၞင်အောန် (Low-Resource Languages): သွက် အရေဝ်ဘာသာ ဒေသ မပ္တံကဵု ဘာသာမန် မဟွံမွဲ ကု တင်ဂၞင် ဒဳဂျဳတေဝ် ဗွဲမဂၠိုင် တအ်ဂှ်၊ တၠပညာတအ် စကာ နဲကဲ Transfer Learning (ပွမကေတ် မဝ်ဒေဝ် သဇိုင် နူဘာသာတၞဟ် တုဲ ကလေင်ဖျေံ သၞောတ်ဝ် သွက် ဘာသာဇကု) တုဲ ခၞံဗဒှ် ရမ္သာင် ဇေတ်ဇေတ် ဂွံ မာန် ရ။
- ပရေင်ပညာ ကေုာံ ပွမဗတောန်လိက် (Educational Pedagogy): ဉာဏ်စက် ဏအ်ဝွံ ပါလုပ် ရီုဗင် ပ္ဍဲကဵု အပ်ပ်လဳကေယှေန် ဗတောန်လိက်၊ ပရေင်ကတ်လ္ၚတ် သ္ၚောဲသ္ၚောဲ (Distance learning)၊ ကေုာံ ပရေင်ရီုဗင် ညးမနွံ အခက်အခုဲ လပါ် ပွမဗှ်လိက် တအ် မာန် ရ။
- ပရေင်သောင်က္ၜး နဲကဲချူ (Orthographic Standardization): သွက်ဂွံ လွဳပရာ ဉာဏ်စက်ဏအ်ဂှ် ညးသုတေသနတအ် သ္ဒးဖျေံ သၞောတ်ဝ် မအရေဝ် ကေုာံ ရမ္သာင် (Standardization) တုဲ၊ အရာဏအ်ဝွံ ပကဵု ညံင် သၞောတ် လိက်ပတ် ကေုာံ သဒ္ဒါ ဒေသ ဂွံ ခိုင်ကၠိုက် စှ်ေသၞောတ် ကၠုင် ရ။
မဝ်ဒေဝ် နဲပညာ အဓိကဂမၠိုင် (Key TTS Models)
[ပလေဝ်ဒါန် | ပလေဝ်ဒါန် တမ်ကၞက်]ပ္ဍဲကဵု လၟေင် ဝင် ဇၞော်မောဝ် နဲပညာ ဉာဏ်စက် ဗှ်လိက် ဝွံ၊ တၠပညာတအ် ခၞံဗဒှ်လဝ် မဝ်ဒေဝ် နူရဴ (Neural network models) မသၠုင်ပြဲ ဗွဲမဂၠိုင် ရ။ မဝ်ဒေဝ် မပြာကတ် ကေုာံ စကာဂၠိုင်အိုတ် ပ္ဍဲ လၟုဟ် တအ်ဂှ် ပါလုပ် အတိုင် ဗွဲသၟဝ်ဏအ် ရ-
- Tacotron 2:
ဒှ် မဝ်ဒေဝ် သဇိုင် မစကာ နဲကဲ Sequence-to-Sequence တုဲ၊ ဍေံ ကၠာဲစၠောအ်ကဵု လိက် ညံင်ဂွံ ဒှ် လပှ်ရမ္သာင် (Mel-spectrogram) ရ။ ဍေံ နွံပၟိက် ကု ဗိုကဝ်ဒါ (Vocoder) မပ္တံကဵု WaveNet ဟွံသေင်မ္ဂး WaveGlow သွက်ဂွံ ပတိတ် ရမ္သာင် ဇေတ်ဇေတ် ရ။ ဍေံ ကဵု ရမ္သာင် မခိုဟ် ကီုလေဝ်၊ ပရေင်ကၠောန်ကမၠောန် ဍေံ (Inference speed) ဇြိုဟ် ညိ ရ။
- FastSpeech 2:
ဒှ် မဝ်ဒေဝ် မဟွံစကာ နဲကဲ လၟေင်အဆက် (Non-autoregressive model) တုဲ၊ ဍေံ ပြဟ်နူ Tacotron 2 ဗွဲမလောန် ရ။ FastSpeech 2 ဝွံ ပသောင်ကဵု ပြသၞာ မအရေဝ် ထပ်မံင် ဟွံသေင်မ္ဂး မအရေဝ် ဒတုံအာ တအ်တုဲ၊ စကာ နဲကဲ ပွမခန့်မှန်း အခိင် (Duration predictor) သွက်ဂွံ ဖန်ဇန် လၟေင်ရမ္သာင် မွဲမ ကဵု မွဲမ ညံင်ဂွံ ကိတ်ညဳ ကု အခိင် ရ။
- VITS (Variational Inference with adversarial learning for end-to-end TTS):
VITS ဝွံ ဒှ် မဝ်ဒေဝ် မကၠောန်ကမၠောန် နူတမ် စိုပ်ကၞောတ် (End-to-end model) မွဲတုဲ၊ ဟွံနွံပၟိက် ကု ဗိုကဝ်ဒါ (Vocoder) တၞဟ်ခြာ ရ။ ဍေံ ကဵု ရမ္သာင် မတုပ်ညံင်ရဴ မၞိဟ် ဇေတ်ဇေတ် အိုတ်တုဲ၊ ဒှ် မဝ်ဒေဝ် မကိတ်ညဳအိုတ် သွက် အရေဝ်ဘာသာ တင်ဂၞင်အောန် (Low-resource languages) မပ္တံကဵု ဘာသာမန် ပိုဲ ရ။
- MMS (Massively Multilingual Speech) ကေုာံ XTTS:
မဝ်ဒေဝ် တအ်ဏအ်ဝွံ ဒှ် မဝ်ဒေဝ် မလ္ၚတ်လဝ် အရေဝ်ဘာသာ လ္ၚီ ပြင်င် တုဲရ။ နကဵု ပွမစကာ နဲကဲ Transfer Learning ဂှ်၊ ပိုဲ ဂွံကၠောန်ပတိတ် ရမ္သာင် ဘာသာတၟိ (ဥပမာ - ရမ္သာင်မန်) နကဵု တင်ဂၞင် ရမ္သာင် (Audio dataset) ၜိုတ် ၂ နာဍဳ - ၅ နာဍဳ ဓဝ်တုဲ ကလိဂွံ အံင်ဇၞး မာန် ရ။
ဆက်လ္ၚတ်
[ပလေဝ်ဒါန် | ပလေဝ်ဒါန် တမ်ကၞက်]- နဲပညာ ဉာဏ်စက် (Artificial Intelligence)
- သ္ၚေဝ်ဂၠေပ် အရေဝ်ဘာသာ သဘာဝ (Natural Language Processing)
- ပရေင်ဖျေံသၞောတ်ဝ် ဝေါဟာမန် (Vocabulary Standardization)