🎙️ ویرایش دقیق گفتار با PlayDiffusion 1.0
مدل PlayDiffusion با استفاده از توکنایزیشن گسسته (discrete tokenization) و ماسک‌گذاری غیرعلّی (non-causal masking)، ویرایش هدفمند بخش‌های صوتی را بدون آسیب به پیوستگی و ویژگی‌های صوتی ممکن ساخته است. مدل با tokenization فشرده و مدل embedding گوینده، ویژگی‌های صوتی فردی را حفظ می‌کند و بازسازی بخش‌های ماسک شده را با دقت بالا انجام می‌دهد. جایگزینی کارآمد و سریع برای مدل‌های اتورگرسیو TTS — با تولید همزمان کل توالی و پالایش چندمرحله‌ای.

🔗 بازطراحی معماری TTS با دیفیوژن — طبیعی‌تر، سریع‌تر و مقیاس‌پذیرتر. 🚀

#DiffusionModels #SpeechInpainting #DiscreteTokenization #NonCausalMasking #SpeakerEmbedding #PlayDiffusion #AI #TTS