Alexander Mamaev
Последние пару недель работал над специальной моделькой-нашлепкой поверх нашей TTS модели, которая позволяет узнать Alignment между текстом и аудио, которое сгенерировал TTS. То есть по сути узнать, когда каждое слово было произнесено.
Сидел корпел над разными подходами к данным, чтобы оно работало точнее, и можно было с минимальной постобработкой запускать эту штуку в стриминге, улучшения были, но все равно работало не идеально.
Вчера решился на отчаянный шаг - добавил еще парочку сверточных слоев.
И оно заработало как надо. Название канала как никогда актуально.
9 · 2.5K ·