এআই গ্লসারি

📖

শব্দ

মেল স্পেকট্রোগ্রাম

মেল স্কেলে অডিও সিগন্যালের সময়-ফ্রিকোয়েন্সি উপস্থাপনা, যা মানুষের শ্রবণ উপলব্ধির অনুকরণ করে এবং অডিও ডিফিউশন মডেলের ইনপুট হিসেবে সাধারণত ব্যবহৃত হয়।

📖

শব্দ

অডিও নয়েজিং প্রক্রিয়া

ডিফিউশন মডেলের ফরওয়ার্ড ধাপ যেখানে গাউসিয়ান নয়েজকে একটি ক্লিয়ার অডিও সিগন্যালে একাধিক টাইম স্টেপে পুনরাবৃত্তিমূলকভাবে যোগ করা হয়, যতক্ষণ না সিগন্যাল সম্পূর্ণ নয়েজে পরিণত হয়।

📖

শব্দ

অডিও ডিনয়েজিং প্রক্রিয়া

জেনারেশন ফেজ যেখানে একটি নিউরাল নেটওয়ার্ক, প্রায়শই একটি U-Net, প্রতিটি ধাপে যোগ করা নয়েজ পূর্বাভাস এবং বিয়োগ করতে শেখে যাতে নয়েজ থেকে একটি সুসংগত অডিও সিগন্যাল পুনর্গঠন করা যায়।

📖

শব্দ

অডিও U-Net

এনকোডার-ডিকোডার আর্কিটেকচার সহ স্কিপ কানেকশনযুক্ত নিউরাল নেটওয়ার্ক আর্কিটেকচার, যা স্পেকট্রোগ্রাম প্রসেসিং এবং অডিও ডিনয়েজিং প্রক্রিয়ার প্রতিটি ধাপে নয়েজ পূর্বাভাসের জন্য উপযুক্ত।

📖

শব্দ

অডিও কন্ডিশনিং

মডেলকে অতিরিক্ত তথ্য প্রদানের মাধ্যমে অডিও জেনারেশন গাইড করার কৌশল, যেমন একটি ইন্সট্রুমেন্ট ক্লাস, বর্ণনামূলক টেক্সট বা রেফারেন্স মেলডি।

📖

শব্দ

অডিওর জন্য স্কোর ম্যাচিং

বিকল্প ট্রেনিং পদ্ধতি যেখানে মডেল নয়েজড ইনপুটের সাপেক্ষে অডিও ডেটার লগ প্রোবাবিলিটি ডিস্ট্রিবিউশনের গ্রেডিয়েন্ট (স্কোর) অনুমান করতে শেখে।

📖

শব্দ

নিউরাল ভোকোডার

নিউরাল নেটওয়ার্ক যা একটি অ্যাকোস্টিক উপস্থাপনা, যেমন ডিফিউশন মডেল দ্বারা জেনারেটেড মেল স্পেকট্রোগ্রাম, চূড়ান্ত শ্রবণযোগ্য অডিও ওয়েফর্মে রূপান্তর করে।

📖

শব্দ

লেটেন্ট অডিও ডিফিউশন

একটি পদ্ধতি যেখানে ডিফিউশন প্রক্রিয়া সরাসরি সিগন্যাল বা স্পেকট্রোগ্রামে নয় বরং অডিওর একটি কম্প্রেসড লেটেন্ট স্পেসে সম্পাদিত হয়, যা কম্পিউটেশনাল খরচ হ্রাস করে।

📖

শব্দ

ফাইন-টিউনিং অডিও

একটি পূর্ব-প্রশিক্ষিত অডিও ডিফিউশন মডেলকে একটি নির্দিষ্ট ডেটাসেটে অভিযোজনের প্রক্রিয়া, যেমন একটি নির্দিষ্ট বক্তার কণ্ঠস্বর বা একটি সঙ্গীত শৈলী, এর জেনারেশনকে বিশেষায়িত করার জন্য।

📖

শব্দ

স্টেবল অডিও

লেটেন্ট ডিফিউশন ভিত্তিক একটি অডিও ডিফিউশন মডেল যা টেক্সট দ্বারা কন্ডিশন্ড উচ্চ-ফাইডেলিটি এবং দীর্ঘ সময়ের অডিও নমুনা তৈরি করতে সক্ষম।

📖

শব্দ

অডিওএলডিএম

অডিও ডিফিউশন মডেলের একটি পরিবার যা টেক্সট ডেস্ক্রিপশন থেকে শব্দ, সঙ্গীত বা বক্তৃতা জেনারেশন কন্ডিশন করার জন্য পূর্ব-প্রশিক্ষিত টেক্সট এমবেডিং (যেমন CLAP) ব্যবহার করে।

📖

শব্দ

ওয়েভফর্ম ডিফিউশন

ডিফিউশন মডেলের একটি বৈকল্পিক যা সরাসরি টাইম ডোমেনে কাঁচা অডিও ওয়েভফর্মে কাজ করে, এইভাবে স্পেক্ট্রোগ্রাম রূপান্তরের সাথে সম্পর্কিত তথ্য হ্রাস এড়ায়।