Glossario dei Termini Tecnici

Questo glossario spiega i termini tecnici chiave utilizzati nelle guide per aiutare i principianti a comprendere la terminologia:

• ASR (Automatic Speech Recognition): Tecnologia che converte il linguaggio parlato in testo scritto; utilizzata per trascrivere i dati audio.
• Batch Size: Il numero di esempi di addestramento elaborati insieme in un singolo passaggio forward/backward; influisce sulla velocità di addestramento e sull'uso della memoria.
• Checkpoint: Un'istantanea salvata dei pesi di un modello durante o dopo l'addestramento, che consente di riprendere l'addestramento o di utilizzare il modello per l'inferenza.
• CUDA: La piattaforma di calcolo parallelo di NVIDIA che abilita l'accelerazione GPU per i task di deep learning.
• dBFS (Decibels relative to Full Scale): Un'unità di misura per i livelli audio nei sistemi digitali, dove 0 dBFS rappresenta il livello massimo possibile.
• Diffusion Models: Una classe di modelli generativi che aggiungono e poi rimuovono gradualmente il rumore dai dati; alcuni sistemi TTS recenti utilizzano questo approccio.
• FFT (Fast Fourier Transform): Un algoritmo che converte i segnali nel dominio del tempo in rappresentazioni nel dominio della frequenza; fondamentale per l'elaborazione audio.
• Fine-tuning: Il processo di prendere un modello pre-addestrato e addestrarlo ulteriormente su un dataset più piccolo e specifico per adattarlo a una nuova voce o lingua.
• LUFS (Loudness Units relative to Full Scale): Una misura standardizzata della loudness percepita, più rappresentativa dell'udito umano rispetto alle misure di picco.
• Manifest File: Un file di testo che elenca i file audio e le relative trascrizioni, utilizzato per indicare allo script di addestramento dove trovare i dati.
• Mel Spectrogram: Una rappresentazione visiva dell'audio che approssima la percezione uditiva umana utilizzando la scala mel; comunemente usata come rappresentazione intermedia nei sistemi TTS.
• Overfitting: Quando un modello apprende troppo bene i dati di addestramento, incluso il loro rumore e i valori anomali, con il risultato di prestazioni scarse su nuovi dati.
• Sampling Rate: Il numero di campioni audio al secondo (misurato in Hz); rate più alti catturano più dettagli audio ma richiedono più spazio di archiviazione e potenza di elaborazione.
• STFT (Short-Time Fourier Transform): Una tecnica che determina il contenuto in frequenza di sezioni locali di un segnale mentre questo cambia nel tempo.
• TTS (Text-to-Speech): Tecnologia che converte il testo scritto in output vocale parlato.
• Validation Loss: Una metrica che misura l'errore di un modello su un dataset di validazione (dati non utilizzati per l'addestramento); aiuta a rilevare l'overfitting.
• VRAM (Video RAM): Memoria su una scheda grafica; i modelli di deep learning e i loro calcoli intermedi vengono qui memorizzati durante l'addestramento.
• Vocoder: Un componente di alcuni sistemi TTS che converte le feature acustiche (come i mel spectrogram) in forme d'onda (audio effettivo).