O som em números
Antes de qualquer modelo, a voz é uma lista de números. Veja de perto.
Som é ar vibrando. Quando você fala, a pressão do ar sobe e desce centenas de vezes por segundo. O microfone transforma essa pressão em tensão elétrica, e o conversor do computador mede essa tensão em intervalos fixos. Cada medição vira um número entre −1 e 1. Áudio digital é isso: uma lista de números.
Quantas medições por segundo
A sample rate diz quantas vezes por segundo o som é medido: em 48 kHz são 48 mil números por segundo. A frequência mais aguda que cabe é metade da taxa (a regra de Nyquist), então 48 kHz guarda até 24 kHz, acima do que o ouvido alcança. A bit depth diz quantos degraus cada número pode ter: em 16 bits são 65.536. Dê zoom até ver cada medição como um ponto.
Leia também
Uma voz nova sem mexer em todos os pesos
Adapters de baixo rank: treinar menos de 1% dos números e chegar na mesma velocidade.LerAttention e o próximo token
Um modelo de linguagem escreve um token por vez, olhando só para trás.LerMais vozes por GPU
CUDA graph, MPS e batch: como dobramos as vozes em tempo real na mesma GPU.Ler