Vocoder (Vocodör)

Vocoder (İngilizce: *voice coder*, Türkçe: "ses kodlayıcı"), bir konuşma sinyalini analiz edip yeniden sentezleyen ses işleme sistemidir. İlk olarak 1939 yılında Bell Laboratuvarları'nda mühendis Homer Dudley tarafından geliştirilen kanal vokoderi (channel vocoder), sesi frekans bantlarına bölerek dar bant iletişim kanallarında daha verimli ses aktarımı sağlamıştır. İkinci Dünya Savaşı döneminde SIGSALY sistemi, vocoder teknolojisini Roosevelt ile Churchill arasındaki şifreli ses iletişiminde kullanmıştır. Vocoderın teorik temeli kaynak-filtre modelidir. Bu modelde konuşma üretimi iki bileşene ayrılır: ses tellerinin belirli bir frekansta titreşimiyle oluşan heyecan sinyali (kaynak) ve vokal traktının bu kaynağı rezonanslarıyla biçimlendirdiği filtre (spektral zarf). Doğrusal Öngörücü Kodlama (LPC), bu modeli matematiksel olarak gerçekleştiren klasik yöntemdir; analiz aşamasında temel frekans (pitch) ve spektral zarf parametreleri çıkarılır, sentez aşamasında bu parametrelerden ses yeniden oluşturulur. Modern yapay zeka uygulamalarında nöral vocoderlar, metin-konuşma (TTS) boru hatlarının kritik bileşenidir. Tipik akışta metin önce Tacotron gibi akustik modeller tarafından mel-spektrogram ara temsiline dönüştürülür; ardından vocoder bu mel-spektrogramı dinlenebilir ses dalgasına çevirir. Bu iki aşamalı mimari, akustik modeli vocoderdan bağımsız geliştirme esnekliği sağlar. Öne çıkan nöral vocoder mimarileri: WaveNet (DeepMind, 2016) dilated causal convolution ile yüksek kaliteli ses üretir ancak örnek bazlı otoregressif yapısı nedeniyle yavaş çalışır. WaveGlow akış tabanlı (flow-based) model olarak paralel üretimle gerçek zamanlı çıkarım sağlar. HiFi-GAN, GAN tabanlı çoklu-periyot ve çoklu-ölçek ayrıştırıcı mimarisiyle yüksek ses doğruluğu ve hız dengesini kurar; günümüzde üretim sistemlerinde en yaygın tercih edilen nöral vocoder konumundadır. MelGAN ise hızlı evrişimsel dalga formu üretimi için optimize edilmiş GAN tabanlı bir diğer yaklaşımdır.