アカウント名:
パスワード:
数分~10分程度の音声から、再現度の高い声
これをコナン君で例えると、毛利小五郎の声をあらかじめ10分程度録音しておけば、蝶ネクタイで滑らかに喋れるって話ね。
ただ、MicrosoftがやってるVALL-Eや、そこからフォークしたVALL-E Xだと、ゼロショット学習で必要な（毛利小五郎の）声は5秒と謳われている。デモページがあるんだけど、https://plachtaa.github.io/#japanese-cross-lingual [github.io]
一番下の（おそらく）日本のギャルゲから抜き出したの3～4秒の音声から合成音を作ってるデモが特に衝撃的だった。
だいたいこういうの、下地のモデルがどれだけ自然かが出てる面が強くて、その数秒で似せられる範囲までしか似ないですよ。当たり前だけど。
デモを聞いた上での感想がそれ？
その返し、もちろん聞いた上でRVCとかと比べて切り捨ててますよって言われたらどう返すつもりなんです?
質問に質問で返すなとしか。
よかったですね。
より多くのコメントがこの議論にあるかもしれませんが、JavaScriptが有効ではない環境を使用している場合、クラシックなコメントシステム(D1)に設定を変更する必要があります。
一つのことを行い、またそれをうまくやるプログラムを書け -- Malcolm Douglas McIlroy
数分~10分程度の音声から、再現度の高い声 (スコア:1)
数分~10分程度の音声から、再現度の高い声
これをコナン君で例えると、毛利小五郎の声をあらかじめ10分程度録音しておけば、蝶ネクタイで滑らかに喋れるって話ね。
ただ、MicrosoftがやってるVALL-Eや、そこからフォークしたVALL-E Xだと、ゼロショット学習で必要な（毛利小五郎の）声は5秒と謳われている。
デモページがあるんだけど、
https://plachtaa.github.io/#japanese-cross-lingual [github.io]
一番下の（おそらく）日本のギャルゲから抜き出したの3～4秒の音声から合成音を作ってるデモが特に衝撃的だった。
Re: (スコア:2)
だいたいこういうの、下地のモデルがどれだけ自然かが出てる面が強くて、その数秒で似せられる範囲までしか似ないですよ。当たり前だけど。
Re: (スコア:0)
デモを聞いた上での感想がそれ？
Re: (スコア:2)
その返し、もちろん聞いた上でRVCとかと比べて切り捨ててますよって言われたらどう返すつもりなんです?
Re: (スコア:0)
質問に質問で返すなとしか。
Re:数分~10分程度の音声から、再現度の高い声 (スコア:2)
よかったですね。