Un budget d’événements fixe permet aux codes vocaux d’adapter leur rythme

Si les codes vocaux s’adaptent aux changements du son, comment un générateur peut-il savoir combien de codes un énoncé nécessitera ? Dans les codecs à seuil, le contenu peut modifier ce nombre, ce qui rend la longueur de la suite plus difficile à prévoir à partir de la seule durée de l’audio.

L’article examine si le rythme peut s’adapter tout en gardant un nombre d’événements lié à la longueur de l’énoncé.

RubatoCodec fixe le nombre d’événements de parole d’un énoncé tout en adaptant leurs limites aux changements du son, ce qui permet un décodage progressif.

Un codec vocal peut-il adapter son rythme aux changements du son tout en gardant un nombre de codes prévisible selon la longueur de l’énoncé ? Une allocation fondée sur un seuil peut faire varier ce nombre même lorsque le réglage reste fixe.

RubatoCodec définit un budget d’événements à partir de la longueur de l’énoncé, puis adapte leur point de départ.

Sur de la parole anglaise lue, son architecture adaptative affichait un taux d’erreur par mot dans les transcriptions plus bas que celui d’un codec à débit fixe au taux nominal de 12.5 événements par seconde.

Cette mesure compare la reconnaissance automatique de l’audio reconstruit à celle de l’original. Un contrôle distinct du placement a donné des résultats contrastés selon la profondeur de quantification : le rythme adaptatif peut aider, mais ne l’emporte pas dans tous les réglages testés.

La comparaison principale entre architectures modifie simultanément l’agrégation des événements, la grille temporelle et la fréquence d’échantillonnage du décodeur. Elle ne permet donc pas d’attribuer l’amélioration au seul placement adaptatif.

Les comparaisons portent sur un modèle entraîné par configuration ; le test de placement utilise une seule graine d’entraînement et de la parole anglaise lue.