এআই গ্লসারি
কৃত্রিম বুদ্ধিমত্তার সম্পূর্ণ অভিধান
অডিও ডিফিউশন মডেল
জেনারেটিভ নিউরাল নেটওয়ার্ক আর্কিটেকচার যা একটি প্রাথমিক র্যান্ডম নয়েজ থেকে উচ্চ-ফাইডেলিটি অডিও ওয়েভফর্ম সংশ্লেষণ করতে ধাপে ধাপে ডিফিউশন এবং ডিনোইজিং প্রক্রিয়া প্রয়োগ করে।
কন্ডিশনাল স্পেক্ট্রোগ্রাম
অডিও সিগন্যালের টাইম-ফ্রিকোয়েন্সি রিপ্রেজেন্টেশন যা ডিফিউশন মডেলগুলিতে ইনপুট বা শর্ত হিসেবে ব্যবহৃত হয়, যেখানে পুনরাবৃত্তিমূলক ডিনোইজিং প্রক্রিয়াটি সামঞ্জস্যপূর্ণ বর্ণালী কাঠামো পুনর্গঠনের জন্য নির্দেশিত হয়।
নিউরাল ভোকোডার
নিউরাল নেটওয়ার্ক যা একটি মধ্যবর্তী অ্যাকোস্টিক রিপ্রেজেন্টেশন, যেমন স্পেক্ট্রোগ্রাম বা মেলোডিক ফিচার, কে অবিচ্ছিন্ন অডিও ওয়েভফর্মে রূপান্তর করে, প্রায়শই অডিও ডিফিউশন পাইপলাইনের শেষে সংযুক্ত থাকে।
স্পিচ ডিফিউশন
স্পিচ সিগন্যাল জেনারেশনের জন্য ডিফিউশন মডেলের বিশেষায়িত প্রয়োগ, যা প্রাকৃতিক ভয়েস সিন্থেসিসের জন্য ফোনেটিক, প্রোসোডিক এবং টিমব্রাল নুয়ান্স ক্যাপচার করতে লক্ষ্য করে।
মিউজিক ডিফিউশন
অডিও ডিফিউশনের একটি উপ-ক্ষেত্র যা সঙ্গীত বিষয়বস্তু জেনারেশনে কেন্দ্রীভূত, যাতে হারমোনি, রিদম, মেলোডি এবং টিম্বার অন্তর্ভুক্ত থাকে, প্রায়শই নোটেশন বা কর্ডের মতো স্ট্রাকচারাল তথ্য দ্বারা কন্ডিশন্ড হয়।
ক্লাসিফায়ার-ফ্রি গাইডেন্স
একটি ইনফারেন্স টেকনিক যা কন্ডিশনাল প্রেডিকশন এবং আনকন্ডিশনাল প্রেডিকশনের মধ্যে ইন্টারপোলেশন করে ডিফিউশন মডেলের একটি শর্ত (টেক্সট, মেলোডি ইত্যাদি) মেনে চলাকে শক্তিশালী করে, thereby improving generation fidelity and control.
ডিফিউশন টাইমস্টেপ
একটি বিচ্ছিন্ন ভেরিয়েবল যা নয়েজিং বা ডিনোইজিং প্রক্রিয়ার পর্যায়কে প্রতিনিধিত্ব করে, 0 (বিশুদ্ধ সিগন্যাল) থেকে T (বিশুদ্ধ নয়েজ) পর্যন্ত, যা প্রতিটি পুনরাবৃত্তিতে অপসারণের জন্য নয়েজ ভবিষ্যদ্বাণী করতে নিউরাল নেটওয়ার্ককে কন্ডিশন করে।
অডিও লেটেন্ট স্পেস
অডিও ডেটার একটি সংকুচিত এবং বিমূর্ত রিপ্রেজেন্টেশন, একটি এনকোডারের মাধ্যমে প্রাপ্ত, যেখানে ডিফিউশন প্রক্রিয়াটি গণনাগত জটিলতা হ্রাস করার সময় সিম্যান্টিক তথ্য সংরক্ষণের জন্য প্রয়োগ করা হয়।
অডিও ইনপেইন্টিং
ডিফিউশন মডেল ব্যবহার করে পারিপার্শ্বিক অডিও প্রসঙ্গের উপর ভিত্তি করে একটি অডিও সিগন্যালের অনুপস্থিত বা ক্ষতিগ্রস্ত অংশ পুনরুৎপাদন বা সম্পূর্ণ করার ম্যানিপুলেশন কাজ।
অডিও সুপার-রেজোলিউশন
একটি প্রক্রিয়া যেখানে একটি ডিফিউশন মডেল নিম্ন-রেজোলিউশনের অডিও সিগন্যালের গুণমান বা স্যাম্পলিং রেট বৃদ্ধি করে, যুক্তিসঙ্গত এবং সামঞ্জস্যপূর্ণ উচ্চ-ফ্রিকোয়েন্সি বিশদ যোগ করে।
অবিরাম অডিও এনকোডিং
একটি উপস্থাপনা পদ্ধতি যা একটি বিচ্ছিন্ন তরঙ্গরূপকে ল্যাটেন্ট স্পেসে অবিরাম ভেক্টরের একটি সেটে রূপান্তর করে, যা অডিও জেনারেটিভ মডেলের জন্য ডিফিউশন প্রক্রিয়ার ভিত্তি হিসেবে কাজ করে।
টেক্সট-অডিও কন্ডিশনিং
একটি কৌশল যেখানে একটি ডিফিউশন অডিও মডেল সংশ্লিষ্ট শব্দ তৈরি করার জন্য একটি টেক্সচুয়াল বিবরণ দ্বারা নির্দেশিত হয়, যার জন্য টেক্সচুয়াল এবং অডিটরি মডালিটিগুলো সারিবদ্ধ করতে সক্ষম একটি মাল্টিমডাল আর্কিটেকচারের প্রয়োজন।
ডিনোইজিং স্কোর ম্যাচিং
ডিফিউশন মডেলের জন্য মৌলিক প্রশিক্ষণ উদ্দেশ্য, যা নিউরাল নেটওয়ার্ককে নয়েজড ইনপুটের সাপেক্ষে ডেটা ডিস্ট্রিবিউশনের গ্রেডিয়েন্ট (স্কোর) ভবিষ্যদ্বাণী করতে শেখায়, এইভাবে পুনরাবৃত্তিমূলক ডিনোইজিং সক্ষম করে।
স্টোকাস্টিক স্যাম্পলিং
ডিফিউশন মডেলের জন্য ইনফারেন্স পদ্ধতি যেখানে প্রতিটি ধাপে ডিনোইজিং একটি র্যান্ডম উপাদান অন্তর্ভুক্ত করে, জেনারেশনের বৈচিত্র্যকে উৎসাহিত করে কিন্তু আর্টিফ্যাক্ট প্রবর্তন করতে পারে।
ডিটারমিনিস্টিক স্যাম্পলিং (DDIM)
একটি ইনফারেন্স কৌশল যা কম ডিনোইজিং ধাপ সম্পাদন করে জেনারেশন প্রক্রিয়াকে ত্বরান্বিত করতে দেয়, আরও পুনরুৎপাদনযোগ্য ফলাফলের জন্য স্টোকাস্টিসিটি হ্রাস করে।
ল্যাটেন্ট ডিফিউশন মডেল
ডিফিউশন মডেলের একটি বৈকল্পিক যা একটি অটোএনকোডার দ্বারা শেখা নিম্ন-মাত্রার ল্যাটেন্ট স্পেসে কাজ করে, যাতে অডিওর মতো উচ্চ-রেজোলিউশন ডেটার জন্য প্রশিক্ষণ এবং ইনফারেন্স আরও দক্ষ হয়।
অডিওর জন্য কনভোলিউশনাল ট্রান্সফরমার
স্থানীয় প্যাটার্ন ক্যাপচার করার জন্য কনভোলিউশন স্তর এবং দীর্ঘমেয়াদী নির্ভরতার জন্য অ্যাটেনশন মেকানিজম সমন্বিত হাইব্রিড আর্কিটেকচার, প্রায়শই অডিও ডিফিউশন U-Nets-এ ব্যাকবোন হিসেবে ব্যবহৃত হয়।
অডিও জেনারেশন পাইপলাইন
একটি শর্ত (টেক্সট, মেলোডি) এনকোডিং থেকে লেটেন্ট স্পেসে ডিফিউশন এবং শেষ পর্যন্ত একটি ভোকোডার দ্বারা ডিকোডিং পর্যন্ত অপারেশনের সম্পূর্ণ সিকোয়েন্স, চূড়ান্ত অডিও সিগন্যাল উৎপাদনের জন্য।
নয়েজ রিস্কেলিং
অডিও মডেলগুলিতে প্রশিক্ষণ স্থিতিশীল করতে এবং উৎপন্ন নমুনার গুণমান উন্নত করতে ব্যবহৃত ডিফিউশন প্রক্রিয়ার প্রতিটি ধাপে যোগ করা নয়েজের ভ্যারিয়েন্স সামঞ্জস্য করার কৌশল।