Umetna inteligenca (UI) je vstopila v skoraj vse kotičke našega vsakdana, od spletnih chatbotov do ustvarjalcev vsebin na družbenih omrežjih in video iger. Napredek v UI glasovni tehnologiji je ogromen: osnovni sistemi za pretvorbo besedila v govor (TTS) zdaj omogočajo ustvarjanje skoraj človeško zvenečih sintetičnih glasov. Z orodji, kot so generatorji in kloniranje glasov, lahko UI zelo prepričljivo posnema glas osebe.
Razlika med pretvorbo besedila v govor in prepoznavo govora
Pretvorba besedila v govor (TTS) in prepoznavanje govora sta povezana, a služita različnim namenoma. TTS je tehnologija, kjer UI pretvori besedilo v govor, pogosto uporabljena pri avdio knjigah, e-izobraževanju in za pomoč osebam z oviranostmi. Uporablja algoritme strojnega učenja za ustvarjanje sintetičnega glasu iz besedila.
Prepoznavanje govora pa je proces, v katerem UI pretvori govorjene besede v besedilo. Tehnologija se uporablja v storitvah za sprotno transkripcijo, glasovnih pomočnikih (npr. Siri, Alexa) in tudi na družbenih omrežjih, kot je TikTok, za samodejne podnapise.
Kako lahko UI posnema človeški glas
Najpogostejši način posnemanja človeškega glasu z UI vključuje dva koraka – analizo in sintezo. To je del področja, imenovanega kloniranje glasu. Najprej UI s pomočjo globokega učenja in nevronskih mrež analizira zvočne posnetke in vzorce glasu.
V fazi sinteze UI uporabi generativne modele (npr. ChatGPT ali VoCo) in ustvari digitalni glas, ki posnema analizirani glas. To je podobno deepfake-u, le da za glas. Včasih zadostuje že nekaj sekund posnetka, da UI ustvari zelo realistično zveneč glas.
Kaj vse sestavlja človeški glas
Za ustvarjanje človeškega glasu je potrebnih več elementov, na primer:
- Fonetika: Razumevanje zvočne zgradbe govora in razčlenitev besed na posamezne glasove.
- Prozodija: Razumevanje ritma, poudarkov in intonacije.
- Učni algoritmi: UI se s strojnim učenjem uči iz zvočnih podatkov in posnema vzorce.
- Generativni modeli: Ti ustvarijo nov glas, ki posnema že naučene vzorce.
Razlike med človeškim glasom in UI glasom
Kljub velikemu napredku UI glasovi še vedno niso povsem enaki človeškim. Največja razlika je v čustvenih niansah in razumevanju konteksta, česar se UI še uči. Prisotna pa so tudi etična in zasebnostna vprašanja, saj lahko zlorabe vodijo do kraje identitete in prevar z deepfake vsebinami.
8 najboljših UI programov za glas
- OpenAI ChatGPT: Uporablja generativno UI za ustvarjanje človeško zvenečih besedilnih odzivov, vključiti ga je mogoče tudi za realističen govor.
- Adobe VoCo: Orodje za kloniranje glasu, ki omogoča urejanje in ustvarjanje govora z le 20 minutami izvirnega vzorca.
- Amazon Polly: Pretvarja besedilo v naraven govor, kar programerjem omogoča ustvarjanje govorečih aplikacij in novih izdelkov.
- Microsoft Azure Text to Speech: Znano po kakovostnem, naravnem UI glasu, uporabno za dostopnost, zabavo in komunikacijo.
- Google Text-to-Speech: Googlovo orodje, ki sintetizira govor v več kot 30 jezikih.
- Descript: Orodje za ustvarjanje, urejanje in izboljšavo glasu za podcaste ali voice over.
- Resemble AI: Nudi kloniranje glasu za ustvarjanje unikatnih, z UI generiranih glasov za znamke in izdelke.
- Lyrebird: Podjetje, ki ga je prevzel Descript, je bilo eno prvih z orodjem za ustvarjanje realističnih digitalnih glasov.
UI glasovna tehnologija z globokim učenjem stalno napreduje in vse bolj prodira v avdio knjige, podcaste, družbena omrežja in igre. Forbes poroča, da novi UI glasovi spreminjajo način, kako komuniciramo s tehnologijo. Meja med človeškim in UI glasom je vse bolj zabrisana, zato sta pri uporabi te tehnologije ključni etična in zasebnostna previdnost.
