Technológia prevodu textu na reč napreduje míľovými krokmi, najmä v posledných rokoch. Vďaka rozvoju umelej inteligencie dokáže dnešný TTS verne napodobniť ľudský hlas vo vysokej kvalite.
Microsoft VALL-E je najnovšie riešenie, ktoré môže dosahovať až znepokojivo presnú prevodovú reč. Ide o neurónový kodekový jazykový model s učením bez trénovacích dát.
Ak posledná veta znie ako sci-fi žargón, nezúfajte. Zložité koncepty za VALL-E si rozoberieme nižšie.
Microsoft VALL-E vysvetlený
Modely AI napredujú rýchlo. Dnes každý pozná OpenAI ChatGPT, ktorý má najbližšie k AI s ľudským prejavom. Určite ste už aj videli AI obrázky vytvorené enginom DALL-E.
Okrem startupov ako OpenAI sú v AI priestore veľkí hráči aj globálne firmy ako Microsoft.
Výskumníci Microsoftu sa nedávno venovali pokrokom v syntéze reči z textu. VALL-E je výsledkom ich práce.
Nová AI môže byť zásadnou zmenou vo svete TTS, pretože dokáže generovať ľudsky znejúcu reč len na základe krátkej zvukovej ukážky. Už trojsekundová ukážka stačí VALL-E na zachytenie vzorov daného rečníka.
Po načítaní vzorky AI dokáže imitovať hlas aj emócie rečníka. Rovnako pôsobivé je, že VALL-E zachová akustické prostredie zdroja.
Jednoducho povedané, VALL-E je excelentný v napodobňovaní konkrétnych rečníkov. Môžete si to vypočuť na GitHube, kde Microsoft zdieľal ukážky aj detailné vysvetlenie AI.
Takáto technológia má množstvo možností využitia, napríklad na tvorbu podcastov a audiokníh. Možnosti ešte narastú, ak sa VALL-E spojí s generatívnymi modelmi ako GPT-3.
Technológia ako VALL-E sa však môže zneužiť aj na neetické účely.
Keďže VALL-E znie veľmi realisticky, je jasné, že podvodníci by túto technológiu mohli použiť na podvody, ako sú škodlivé deepfakey bez súhlasu dotknutých. Preto Microsoft vydal etické vyhlásenie.
Vo vyhlásení spoločnosť odporúča špecifické modely editácie reči, ktoré by zaručili súhlas pôvodného rečníka.
Spory okolo možného využitia VALL-E sú témou do budúcnosti. Teraz je však zaujímavejšia otázka:
Ako AI zopakuje zložité vzory len z trojsekundovej zvukovej ukážky?
Odpoveď je prekvapivo zložitá.
VALL-E sa trénoval na tisícoch hodín anglickej reči. To umožňuje AI plynulú simuláciu angličtiny. Nie je to však bežný TTS systém – používa najnovšie strojové učenie.
Názov technológie ste už počuli: neurónový kodekový jazykový model bez trénovania. Pozrime sa, čo to znamená v praxi.
Zero-shot neurónové jazykové modely vysvetlené
Začnime pojmom „zero-shot“. Ide o technológiu pre TTS enginy, ktorá umožňuje AI vytvárať reč aj zo zatiaľ neznámych dát. Počítač vie teda nahlas čítať text, ktorý ešte nikdy „nevidel“.
Ešte lepšie je, že zero-shot technológia umožňuje výstup bez ďalšieho tréningu. Podobne ako keď človek vie prečítať nový text v známom jazyku.
Komplikovanejšou časťou je „neurónový kodekový jazykový model“, ktorý priblížime ďalej.
TTS enginy používajú zvukové kodeky na tvorbu zvukovej vlny podľa textu. Kodek umožňuje AI prekladať písmená, slová a vety na ich zodpovedajúce zvuky. Neurónový kodek má rovnakú úlohu, no funguje na základe sietí neurónov.
To však vyvoláva ďalšiu otázku: Čo je to neurónová sieť?
Stručne vysvetlíme bez veľkého teoretizovania. Neurónová sieť napodobňuje fungovanie ľudského mozgu. Pozostáva z umelých neurónov – uzlov, ktoré sú prepojené vo vrstvách.
Zložitá štruktúra umožňuje hlboké učenie, teda schopnosť rozvíjať a prispôsobovať nové vzory.
Neurónový kodek poháňa jazykový model, druhú časť tejto text na reč rovnice.
Jazykový model používa veľký dataset, aby porozumel každému vstupu v reálnom kontexte jazyka. Takto stroj „chápe“ text.
Pri VALL-E poslúžila ako základ jazykového modelu knižnica LibriLight od Facebooku Meta.
Vypočujte si najnovšiu TTS technológiu na Speechify
Hoci VALL-E ešte nie je verejný, môžete si vypočuť, ako znie pokročilý TTS engine prostredníctvom Speechify. Speechify vie čítať texty z takmer hocakého zdroja.
Či už zadáte písaný text, web, alebo naskenovanú stranu, Speechify vám to prečíta okamžite. Navyše engine obsahuje prirodzene znejúce hlasy. Na rozdiel od bežných robotických TTS znie Speechify omnoho ľudskejšie.
Okrem toho si môžete čítanie nastaviť. Vyberte jazyk, hlas a rýchlosť a počúvajte text tak, ako vám to vyhovuje.
Ak vás to oslovilo, môžete vyskúšať Speechify zdarma ešte dnes.
FAQ
Môžu ľudia používať Vall-E?
Existuje veľa obáv zo zneužitia VALL-E, najmä krádeže identity. Preto Microsoft nezverejnil VALL-E verejne.
Čo je Microsoft AI?
Microsoft AI nie je konkrétny produkt. Je to rámec pre vývoj AI. Zahŕňa riešenia dátovej vedy, konverzačnú AI, robotiku, strojové učenie a ďalšie inovácie v odvetví.
Čo je hlasové rozhranie?
Hlasové rozhranie je také, ako by ste čakali – rozhranie, kde ovládate zariadenie hlasom. Dnes je bežné v smart zariadeniach – napríklad Amazon Alexa, Apple Siri, Microsoft Cortana alebo Google Assistant.
Čo je to robot?
Pojem „robot“ označuje každé zariadenie, ktoré funguje automaticky a slúži ako náhrada ľudskej práce. Napriek médiám väčšina robotov nemá ľudskú podobu – často sú len softvérové. Aj dnešní virtuálni asistenti sú roboty.
