WaveNet
La red neuronal de DeepMind de 2016 que genera audio muestra a muestra y que hizo que las voces sintéticas sonaran bastante menos a máquina.
La síntesis de voz anterior pegaba fragmentos grabados o movía un vocoder paramétrico, y sonaba en consecuencia. WaveNet modelaba la propia forma de onda: cada muestra nueva se predice a partir de todas las anteriores, con convoluciones causales cuya dilatación se duplica capa a capa para que la red vea cientos de milisegundos hacia atrás. Las muestras se cuantificaban con μ-law a 256 niveles, lo que convertía el problema en una clasificación. En pruebas de escucha redujo a la mitad la distancia entre voz sintética y humana.
El inconveniente era la velocidad: un segundo de audio tardaba al principio minutos en generarse. Una variante paralela de 2017 lo resolvió y llegó al Asistente de Google. La arquitectura sirvió de plantilla para los vocoders neuronales y aparece en sitios inesperados, como los modelos de amplificador para guitarristas.