Glosario de Términos Técnicos

Este glosario explica los términos técnicos clave usados a lo largo de las guías para ayudar a los recién llegados a entender la terminología:

• ASR (Automatic Speech Recognition): Tecnología que convierte el lenguaje hablado en texto escrito; se utiliza para transcribir datos de audio (Reconocimiento Automático del Habla).
• Batch Size: El número de ejemplos de entrenamiento que se procesan juntos en un mismo paso hacia adelante/atrás (forward/backward); afecta a la velocidad de entrenamiento y al uso de memoria (tamaño de lote).
• Checkpoint: Una instantánea guardada de los pesos de un modelo durante o después del entrenamiento, que permite reanudar el entrenamiento o usar el modelo para inferencia.
• CUDA: La plataforma de computación paralela de NVIDIA que permite la aceleración por GPU para tareas de deep learning.
• dBFS (Decibels relative to Full Scale): Una unidad de medida para los niveles de audio en sistemas digitales, donde 0 dBFS representa el nivel máximo posible (decibelios relativos a la escala completa).
• Diffusion Models: Una clase de modelos generativos que gradualmente añaden y luego eliminan ruido de los datos; algunos sistemas TTS recientes usan este enfoque (modelos de difusión).
• FFT (Fast Fourier Transform): Un algoritmo que convierte señales del dominio del tiempo a representaciones del dominio de la frecuencia; fundamental para el procesamiento de audio (Transformada Rápida de Fourier).
• Fine-tuning: El proceso de tomar un modelo preentrenado y seguir entrenándolo con un dataset más pequeño y específico para adaptarlo a una nueva voz o idioma (ajuste fino).
• LUFS (Loudness Units relative to Full Scale): Una medida estandarizada de la sonoridad percibida, más representativa de la audición humana que las mediciones de pico.
• Manifest File: Un archivo de texto que enumera los archivos de audio y sus transcripciones correspondientes, usado para indicarle al script de entrenamiento dónde encontrar los datos (archivo manifest).
• Mel Spectrogram: Una representación visual del audio que aproxima la percepción auditiva humana usando la escala mel; comúnmente usado como representación intermedia en sistemas TTS (espectrograma mel).
• Overfitting: Cuando un modelo aprende demasiado bien los datos de entrenamiento, incluyendo su ruido y valores atípicos, lo que resulta en un mal rendimiento con datos nuevos (sobreajuste).
• Sampling Rate: El número de muestras de audio por segundo (medido en Hz); las frecuencias más altas capturan más detalle del audio pero requieren más almacenamiento y potencia de procesamiento (frecuencia de muestreo).
• STFT (Short-Time Fourier Transform): Una técnica que determina el contenido de frecuencia de secciones locales de una señal a medida que cambia en el tiempo (Transformada de Fourier de Tiempo Corto).
• TTS (Text-to-Speech): Tecnología que convierte texto escrito en salida de voz hablada (Texto a Voz).
• Validation Loss: Una métrica que mide el error de un modelo sobre un dataset de validación (datos no usados para el entrenamiento); ayuda a detectar el overfitting (pérdida de validación).
• VRAM (Video RAM): Memoria de una tarjeta gráfica; los modelos de deep learning y sus cálculos intermedios se almacenan aquí durante el entrenamiento.
• Vocoder: Un componente de algunos sistemas TTS que convierte características acústicas (como los espectrogramas mel) en formas de onda (audio real).