Hvala što ste poslali upit! Jedan od naših članova tima će vas uskoro kontaktirati.
Hvala što ste poslali rezervaciju! Jedan od naših članova tima će vas uskoro kontaktirati.
Trajanje 14 sati
Sadržaj kursa
Uvod u sintezu govora i kloniranje glasa
- Pregled tehnologije pretvaranja teksta u govor (TTS) i neuralne sinteze glasa
- Kloniranje glasa vs generisanje govora: slučajevi upotrebe i granice
- Ključni modeli: Tacotron, WaveNet, FastSpeech, VITS
Rada sa komercijalnim platformama
- Korišćenje ElevenLabs i Resemble AI
- Kreiranje, kloniranje i uređivanje glasova
- Pristup API-ju i radni tokovi za pretvaranje teksta u govor
Izgradnja sa open-source alatima
- Instalacija i konfiguracija Coqui TTS
- Trening prilagođenih glasova i upravljanje skupovima podataka
- Generisanje govora sa finom kontrolom (ton, brzina, emocija)
Priprema podataka i upravljanje skupom podataka glasova
- Prikupljanje i čišćenje uzoraka glasova
- Segmentacija, označavanje i poravnavanje transkripata
- Etično izvorovanje i saglasnost glasa
Integracija aplikacija
- Ugradnja TTS u sajtove i aplikacije
- Kreiranje IVR sistema i interaktivnih botova
- Generisanje sintetičkih dijalog za video i igre
Evaluacija kvaliteta i realizma
- MOS (Mean Opinion Score) i testovi razumljivosti
- Kontrola ekspresivnosti i prosodije
- Poređenje latencije, vernosti i realizma
Etičke, pravne i upravljačke razmatranja
- Rizici duboko lažnih (deepfake) sadržaja i odgovorna upotreba
- Saglasnost, atribucija i implikacije autorskih prava
- Regulativa i organizacione politike
Zaključak i sledeći koraci
Uslovi
- Razumevanje osnova mašinskog učenja
- Znajnost sa formatima audio datoteka i alatima za uređivanje
- Osnovna znanja programiranja u Python-u
Ciljna grupa
- AI developeri i inženjeri zainteresovani za sintezu govora
- Kreatori sadržaja i medijski tehnolozi koji istražuju generisanje glasova
- R&D timovi koji grade personalizovane ili dinamičke audio sisteme
