Microsoft je predstavio umjetnu inteligenciju VALL-E. Može generirati glasovne snimke na temelju
Istraživači sa Sveučilišta Cornellkoristio VALL-E model za analizu mehanizama generiranja govora. U svom radu, čiji je preprint objavljen na serveru arXiv, znanstvenici ispituju neuronsku mrežu treniranu na temelju 60.000 sati engleskog govora. To je stotine puta više od postojećih analoga.
Kako radi AI. Slika: VALL-E
Analiza je pokazala da sustav ima dovoljnoisječak od tri sekunde za oponašanje glasa sugovornika. U isto vrijeme, Vall-E je daleko superiorniji od današnjeg TTS sustava u smislu govora koji zvuči prirodno i glasovne sličnosti. Osim toga, može sačuvati emocije govornika i akustično okruženje (utjecaj akustičnih svojstava prostorije u kojoj je nastala izvorna snimka).
Razvijeni proizvodni sustav još uvijek je zatvorenjavni pristup, no istraživači su objavili primjere uzoraka i gotovih glasovnih datoteka na stranici na Internetu. Uzorci generiranog govora razlikuju se po kvaliteti. Dok neki zvuče prirodno, drugi zvuče strojno. Autori razvoja napominju da će daljnja obuka u različitim glasovima, uključujući s različitim naglascima, poboljšati kvalitetu sustava.
Uzorak ljudskog glasa. Audio: VALL-E
Generirana snimka koja čuva vanjski šum. Audio: VALL-E
Istraživači također primjećuju da mogućnostgeneriranje glasova koji su identični izvornicima stvara nove sigurnosne izazove jer to mogu iskoristiti prevaranti. Vjeruju da prije nego što model bude široko pušten u javnost, treba razviti sustav koji će prepoznati zapise generirane umjetnom inteligencijom.
Čitaj više:
Otkrivena je tajna trajnosti rimskog betona: može se obnoviti
Genetičari su utvrdili kako se dob začeća kod ljudi mijenjala tijekom 250.000 godina
Sunce je otvorilo godinu bljeskom najjače klase