Glossaire des termes techniques

Ce glossaire explique les principaux termes techniques utilisés tout au long des guides afin d'aider les débutants à comprendre la terminologie :

• ASR (Automatic Speech Recognition) : Technologie qui convertit le langage parlé en texte écrit ; utilisée pour transcrire les données audio (reconnaissance automatique de la parole).
• Batch Size : Le nombre d'exemples d'entraînement traités ensemble lors d'une passe avant/arrière (forward/backward) ; affecte la vitesse d'entraînement et l'utilisation de la mémoire (taille de lot).
• Checkpoint : Un instantané sauvegardé des poids d'un modèle pendant ou après l'entraînement, vous permettant de reprendre l'entraînement ou d'utiliser le modèle pour l'inférence.
• CUDA : La plateforme de calcul parallèle de NVIDIA qui permet l'accélération GPU pour les tâches de deep learning.
• dBFS (Decibels relative to Full Scale) : Une unité de mesure des niveaux audio dans les systèmes numériques, où 0 dBFS représente le niveau maximal possible (décibels par rapport à la pleine échelle).
• Diffusion Models : Une classe de modèles génératifs qui ajoutent progressivement puis suppriment du bruit des données ; certains systèmes TTS récents utilisent cette approche (modèles de diffusion).
• FFT (Fast Fourier Transform) : Un algorithme qui convertit les signaux du domaine temporel en représentations du domaine fréquentiel ; fondamental pour le traitement audio (transformée de Fourier rapide).
• Fine-tuning : Le processus consistant à prendre un modèle pré-entraîné et à poursuivre son entraînement sur un jeu de données plus petit et spécifique afin de l'adapter à une nouvelle voix ou langue.
• LUFS (Loudness Units relative to Full Scale) : Une mesure standardisée de la sonie perçue, plus représentative de l'audition humaine que les mesures de crête.
• Manifest File : Un fichier texte qui répertorie les fichiers audio et leurs transcriptions correspondantes, utilisé pour indiquer au script d'entraînement où trouver les données (fichier manifest).
• Mel Spectrogram : Une représentation visuelle de l'audio qui approxime la perception auditive humaine en utilisant l'échelle mel ; couramment utilisée comme représentation intermédiaire dans les systèmes TTS (spectrogramme mel).
• Overfitting : Lorsqu'un modèle apprend trop bien les données d'entraînement, y compris leur bruit et leurs valeurs aberrantes, ce qui entraîne de mauvaises performances sur de nouvelles données (surapprentissage).
• Sampling Rate : Le nombre d'échantillons audio par seconde (mesuré en Hz) ; des fréquences plus élevées capturent davantage de détails audio mais nécessitent plus de stockage et de puissance de traitement (fréquence d'échantillonnage).
• STFT (Short-Time Fourier Transform) : Une technique qui détermine le contenu fréquentiel de sections locales d'un signal au fur et à mesure qu'il évolue dans le temps (transformée de Fourier à court terme).
• TTS (Text-to-Speech) : Technologie qui convertit le texte écrit en sortie vocale parlée (synthèse vocale).
• Validation Loss : Une métrique qui mesure l'erreur d'un modèle sur un jeu de données de validation (données non utilisées pour l'entraînement) ; aide à détecter l'overfitting (perte de validation).
• VRAM (Video RAM) : La mémoire d'une carte graphique ; les modèles de deep learning et leurs calculs intermédiaires y sont stockés pendant l'entraînement.
• Vocoder : Un composant de certains systèmes TTS qui convertit les caractéristiques acoustiques (comme les spectrogrammes mel) en formes d'onde (audio réel).