Технологията за преобразуване на текст в реч напредва с огромни крачки, особено през последните години. Благодарение на развитието на изкуствения интелект, днешният TTS може да възпроизвежда висококачествена реч, която много умело имитира човешкия глас.
VALL-E на Microsoft е най-новото технологично решение, което може да накара речта от текст да звучи направо зловещо реалистично. Това е невронен кодек езиков модел, базиран на машинно обучение от тип zero-shot.
Ако последното изречение ви звучи като научна фантастика, не се притеснявайте. По-долу ще разясним по-достъпно комплексните концепции зад VALL-E.
Обяснение на Microsoft VALL-E
AI моделите стават все по-мощни с бързи темпове. Днес всички знаят за ChatGPT на OpenAI, което е може би най-близкото до това ИИ да изглежда като истински човек. Вероятно сте виждали и AI-генерирано изкуство от енджина DALL-E.
Освен стартиращи компании като OpenAI, глобалните корпорации като Microsoft са значими играчи в света на изкуствения интелект.
Изследователите на Microsoft наскоро работят върху нови постижения в синтеза на реч от текст. VALL-E е точно такъв пример.
Новият AI вероятно ще бъде революционен за TTS средата, защото може да генерира човешкоподобна реч само въз основа на малка аудио извадка. Само три секунди аудио пример са достатъчни, за да улови VALL-E специфичните модели на говорещия.
След като получи аудио пример, AI може да имитира гласа на човека и дори да възпроизведе неговия емоционален тон. Също толкова впечатляващо е, че VALL-E запазва и акустичната среда на невидимия говорещ.
С прости думи, VALL-E се отличава с изключителна прилика със звученето на оригиналния говорител. Можете да го чуете в действие в GitHub, където Microsoft споделя аудио примери заедно с подробно обяснение за AI-а.
Разбира се, тази технология има множество потенциални приложения, като създаване на подкасти и аудиокниги. Възможностите може да се разширят още повече, когато VALL-E се комбинира с генеративни модели като GPT-3.
Но технологии като VALL-E биха могли да се използват и за злонамерени цели.
Тъй като VALL-E може да звучи плашещо близко до истински човек, лесно е да си представим как злонамерени лица могат да използват тази технология за измами като неразрешени и вредни deepfake. Тези възможности подтикнаха Microsoft да излезе с етично становище.
В това изявление компанията препоръчва конкретни модели за редактиране на реч, които да осигурят съгласие от оригиналния говорител.
Но споровете около потенциалните приложения на VALL-E са тема за бъдещето. Сега обаче стои един по-вълнуващ въпрос:
Как AI възпроизвежда сложни модели само с три секунди аудио като пример?
Не е изненадващо, че отговорът е доста сложен.
VALL-E беше обучаван с огромно количество данни – хиляди часове английска реч. Това подготви AI-а за безпроблемно симулиране на английска реч. Но VALL-E не е обикновена TTS система – тя е задвижвана от съвременна технология за машинно обучение.
Вече споменахме името на технологията: невронен кодек езиков модел zero-shot. Нека видим какво означават тези термини на практика.
Разбиране на zero-shot невронни кодек езикови модели
Започвайки с по-простия термин, „zero-shot“ се отнася до конкретна технология за TTS енджини. Тя позволява на AI да генерира реч въз основа на напълно непознати данни. С други думи, компютърът може да чете на глас текст, който никога преди не е „виждал“.
Още по-впечатляващо е, че zero-shot технологията позволява на машината да възпроизвежда реч без допълнително обучение. На практика, това наподобява начина, по който хората четат непознат текст на език, който вече владеят.
Преминавайки към по-сложната част, „невронен кодек езиков модел“ изисква още малко обяснение.
TTS енджините използват аудио кодеци, за да създават звукови вълни на базата на писмен текст. Кодекът помага на AI да превежда букви, думи и изречения в съответстващи звуци. Невронен кодек изпълнява същата функция, но е базиран на мощна невронна мрежа.
Разбира се, това повдига допълнителен въпрос: Какво е невронна мрежа?
Ще обясним това накратко, без да навлизаме твърде навътре. Невронната мрежа се опитва да имитира начина, по който функционира човешкият мозък. Мрежата се състои от изкуствени неврони, наречени възли, които са свързани и организирани на слоеве.
Тази сложна структура позволява така нареченото дълбоко обучение, което прави машината способна да развива и усвоява непознати модели.
Невронният кодек захранва езиковия модел, другата част от това преобразуване от текст към реч уравнение.
Езиковият модел използва база данни, за да разбере всеки текстов вход в контекста на реален език. С други думи, това е начинът, по който машината „осмисля“ текста.
В случая на VALL-E, LibriLight – аудио библиотека, компилирана от Meta (Facebook), служи като основа за езиковия модел на AI-а.
Чуйте най-новата TTS технология в действие със Speechify
Въпреки че VALL-E все още не е публично достъпен, можете да чуете как звучи напреднал TTS енджин чрез Speechify. Speechify е услуга за преобразуване на текст в реч, която може да чете на глас текст от практически всеки източник.
Независимо дали му дадете писмен текст, уеб съдържание или сканирана страница, Speechify ще го прочете моментално. Още по-хубаво – енджинът разполага с гласове за разказ, които звучат напълно естествено. За разлика от типичните роботи-TTS, Speechify звучи по-скоро като човек, отколкото като машина.
Допълнително можете да настройвате как Speechify чете. Избирайте предпочитан език, разказвач и скорост на четене и слушайте всеки текст точно както ви е удобно.
Ако всичко това ви звучи интригуващо, можете да пробвате Speechify безплатно още днес.
Често задавани въпроси
Може ли човек да използва VALL-E?
Съществуват много опасения относно това как VALL-E може да бъде злоупотребена. Кражбата на самоличност е особено тревожна възможност. Затова Microsoft е избрала да не предоставя VALL-E публично.
Какво е Microsoft AI?
Microsoft AI не е конкретен продукт. Вместо това програмата на компанията служи като рамка за разработка на AI. Microsoft AI включва решения за наука за данни, разговорен AI, роботика, машинно обучение и редица други индустриални иновации.
Какво е гласово-контролиран интерфейс?
Гласово-контролиран интерфейс представлява точно това, което звучи – потребителски интерфейс, с който общувате чрез гласови команди. Тази технология вече се среща масово в смарт устройства – помислете за Alexa на Amazon, Siri на Apple, Cortana на Microsoft или Google Assistant.
Какво е робот?
Терминът „робот“ означава всяка машина, която работи автоматично. Такива машини са създадени да заменят човешкия труд. Въпреки типичното изображение в популярните медии, повечето роботи не изглеждат хуманоидни. Всъщност някои дори нямат физическа форма – например, популярните днес виртуални асистенти също се считат за роботи.
