Un presupuesto fijo de eventos permite adaptar la temporización de los códigos de habla

Si los códigos de habla se adaptan a los cambios del sonido, ¿cómo puede un generador de habla saber cuántos códigos requerirá una intervención?

En los códecs basados en umbrales, el contenido puede cambiar esa cantidad, lo que dificulta predecir la longitud de la secuencia solo a partir de la duración del audio. El artículo pregunta si es posible adaptar la temporización y mantener la cantidad ligada a la duración de la intervención.

RubatoCodec fija cuántos eventos de habla recibe una intervención y adapta sus límites a los cambios del sonido para permitir la decodificación incremental.

¿Puede un códec de habla adaptar su temporización a los cambios del sonido y mantener predecible la cantidad de códigos según la duración de la intervención? La asignación basada en umbrales puede hacer variar esa cantidad incluso con una configuración fija. RubatoCodec establece un presupuesto de eventos según la duración y adapta dónde empiezan.

En habla leída en inglés, su arquitectura adaptativa tuvo menos errores de palabra en las transcripciones que un códec de tasa fija con una tasa nominal de 12.5 eventos por segundo. La medida compara el reconocimiento automático del audio reconstruido con el del original.

Una prueba de control separada obtuvo resultados mixtos según la profundidad del cuantizador: esto indica que la temporización adaptativa puede ayudar, pero no gana en todas las configuraciones evaluadas.

La comparación principal entre arquitecturas modifica a la vez la agregación de eventos, la cuadrícula temporal y el aumento de resolución del decodificador; por eso no permite atribuir la mejora únicamente a la ubicación adaptativa. Se compara un modelo entrenado por configuración; la prueba de ubicación usa una sola semilla y habla leída en inglés.