# Generowanie piksel po pikselu i próbka po próbce (PixelCNN, WaveNet)

EN: **Pixel- and sample-level autoregressive models (PixelCNN, WaveNet)** · id `pixelwavenet` · aliases: PixelCNN, PixelRNN, WaveNet, dilated causal convolution, sploty przyczynowe

Path: [AI Atlas](https://aiatlasgraph.com/llms.txt) › [Sieci i modele generatywne](https://aiatlasgraph.com/t/neural.md) › [Rodziny modeli generatywnych](https://aiatlasgraph.com/t/generative.md) › [Autoregresyjne generowanie obrazu i dźwięku](https://aiatlasgraph.com/t/argen.md) › Generowanie piksel po pikselu i próbka po próbce (PixelCNN, WaveNet)

## Description

- PL: Autoregresyjne sieci splotowe modelujące piksele lub próbki audio sekwencyjnie, z maskowanymi lub rozszerzonymi splotami przyczynowymi.
- EN: Autoregressive convolutional networks modelling pixels or audio samples sequentially using masked or dilated causal convolutions.

## In one sentence

- PL: Wczesne generatory, które tworzą obraz po jednym punkcie albo dźwięk po jednej drobnej próbce, zawsze patrząc wyłącznie wstecz.
- EN: Early generators that create an image one dot at a time, or sound one tiny sample at a time, always looking only backwards.

## Problem it solves

- PL: Syntezatory mowy brzmiały sztucznie, bo składały głos z gotowych kawałków albo prostych reguł, zamiast tworzyć sam dźwięk.
- EN: Speech synthesisers sounded artificial because they stitched voices from stored pieces or simple rules instead of creating the sound itself.

## What it does

- PL: Jak muzyk improwizujący nuta po nucie: każdy kolejny dźwięk wybiera, słuchając wszystkiego, co zagrał wcześniej.
- EN: Like a musician improvising note by note: each next sound is chosen by listening to everything played before.

## Everyday example

- PL: Asystent głosowy w telefonie zaczął brzmieć znacznie naturalniej, gdy jego głos zaczęto tworzyć próbka po próbce.
- EN: A phone's voice assistant began to sound far more natural once its voice was created sample by sample.

## This concerns you if you…

- PL: chcesz zrozumieć korzenie dzisiejszej syntezy mowy
- PL: poznajesz sploty, które nie zaglądają w przyszłość
- EN: want to understand the roots of today's speech synthesis
- EN: are learning convolutions that never peek ahead

## Keywords

PixelCNN++ · PixelRNN · WaveNet · dilated causal convolution · mu-law quantization · neural vocoder

## How it works

- PL: Maskowane sploty pozwalają każdemu pikselowi widzieć tylko wcześniejsze piksele, więc trening jest równoległy, a generowanie sekwencyjne. Wersja audio używa rozszerzonych splotów przyczynowych: odstępy w filtrach rosną z głębokością, więc pole recepcyjne obejmuje tysiące próbek bez poolingu i rekurencji.
- EN: Masked convolutions let each pixel see only earlier pixels, so training is parallel while generation is sequential. The audio version uses dilated causal convolutions: filter gaps grow with depth, so the receptive field spans thousands of samples without pooling or recurrence.

## Limits

- PL: Generowanie jest sekwencyjne: następny piksel lub próbka audio czeka na wszystkie wcześniejsze. Trening można zrównoleglić, ale czas syntezy rośnie z długością sekwencji, co jest szczególnie kosztowne dla surowego dźwięku.
- EN: Generation is sequential: each next pixel or audio sample waits for all earlier ones. Training can be parallelised, but synthesis time grows with sequence length, which is especially costly for raw audio.

## Key terms

- PL: **splot przyczynowy**: Filtr, który widzi tylko przeszłe elementy sekwencji, nigdy przyszłe.
- PL: **splot rozszerzony**: Filtr z przerwami między wejściami, obejmujący dłuższy kontekst tanim kosztem.
- PL: **wokoder**: Model zamieniający opis dźwięku, np. spektrogram, na falę audio.
- EN: **causal convolution**: A filter that sees only past elements of a sequence, never future ones.
- EN: **dilated convolution**: A filter with gaps between inputs, covering longer context cheaply.
- EN: **vocoder**: A model turning a sound description, such as a spectrogram, into a waveform.

## Know first

- [Splot, filtry i pooling (Convolution, filters and pooling)](https://aiatlasgraph.com/t/convpool.md)

## Related topics

Untyped, symmetric "see also" links.

- [Generowanie muzyki i efektów dźwiękowych (Music and sound generation)](https://aiatlasgraph.com/t/audiogen.md)

## Sources

- [WaveNet: A Generative Model for Raw Audio](<https://arxiv.org/abs/1609.03499>) `vandenoord-wavenet-2016` · by Aaron van den Oord, Sander Dieleman, Heiga Zen, Karen Simonyan, Oriol Vinyals, Alex Graves, Nal Kalchbrenner, Andrew Senior, Koray Kavukcuoglu

---

AI Atlas revision 124 (2026-10-31) · HTML: https://aiatlasgraph.com/t/pixelwavenet · index: https://aiatlasgraph.com/llms.txt · everything: https://aiatlasgraph.com/llms-full.txt · updated 2026-10-30