Какие алгоритмы используются для преобразования аудио в речь?

Некоторые алгоритмы, которые используются для преобразования текста в речь (генерации речи, TTS):

• Конкатенативный TTS. speechify.com Использует базу данных заранее записанных образцов человеческой речи, которые соединяются или комбинируются для создания новой синтезированной речи. speechify.com Этот подход производит высококачественную, естественно звучащую речь, но требует большого объёма данных и может быть вычислительно затратным. speechify.com
• Статистический параметрический TTS. speechify.com Генерирует речь с использованием математических моделей, которые симулируют голосовой тракт и акустические свойства человеческой речи. speechify.com
• Нейронный синтез текста в речь. speechify.com Может быть обучен на больших наборах данных речи и текста, что позволяет ему производить высококачественный, естественно звучащий речевой вывод. speechify.com Нейронный синтез текста в речь также может быть настроен для создания различных голосов, акцентов и языков. speechify.com
• HMM-синтез. cyberleninka.ru Основан на скрытых марковских моделях, также называется статистическим параметрическим синтезом. cyberleninka.ru В этой системе одновременно моделируются частотный спектр (речевой тракт), основная частота (источник голоса) и длительность (просодия) речи. cyberleninka.ru

Среди популярных алгоритмов TTS можно выделить, например, Tacotron 2, который использует акустическую модель и вокодер для преобразования текста в речь. blog.skillfactory.ru