Yazıdan sese teknolojisi son yıllarda, özellikle de son birkaç yılda dev adımlarla ilerledi. Yapay zeka gelişmelerinin etkisiyle, günümüz TTS sistemleri insan sesiyle neredeyse birebir örtüşen yüksek kaliteli seslendirmeler sunabiliyor.
Microsoft’un VALL-E’si, yazıdan sese teknolojisini olağanüstü derecede gerçekçi hale getirebilecek en yeni çözümlerden biri. VALL-E, sıfır atış makine öğrenimine dayanarak oluşturulan sinirsel bir kodek dil modelidir.
Bu son cümle size bilim kurgu filmlerinden fırlamış bir teknik jargon gibi geldiyse endişelenmeyin. Aşağıdaki yazımızda VALL-E'nin karmaşık kavramlarını adım adım, sade bir dille anlatacağız.
Microsoft VALL-E’ye Yakından Bakış
Yapay zeka modelleri baş döndürücü bir hızla gelişiyor. Artık herkes, neredeyse gerçek bir insan gibi iletişim kurabilen OpenAI’ın ChatGPT’sinden haberdar. Muhtemelen DALL-E motoruyla üretilen kimi yapay zeka destekli sanat eserleriyle de karşılaşmışsınızdır.
OpenAI gibi girişimlerin yanı sıra Microsoft gibi küresel devler de yapay zeka alanının en önemli oyuncuları arasında yer alıyor.
Microsoft’un araştırmacıları son dönemde özellikle yazıdan sese sentezi üzerine yoğunlaşıyor. VALL-E de tam olarak bu çalışmaların bir ürünü.
Bu yeni yapay zeka, yalnızca kısa bir ses örneğine dayanarak insan sesi ayırt etmeyecek kadar gerçekçi konuşmalar üretebildiği için TTS alanında çığır açacak gibi görünüyor. Sadece üç saniyelik bir akustik örnek, VALL-E’nin belirli konuşmacının ses özelliklerini yakalaması için yeterli oluyor.
Konuşmacı örneğini aldıktan sonra yapay zeka o kişinin sesini taklit edebiliyor, hatta duygusal tonunu bile simüle edebiliyor. Aynı derecede etkileyici olan bir diğer nokta, VALL-E’nin daha önce hiç duymadığı bir konuşmacının bile akustik ortamını koruyabilmesi.
Kısacası, VALL-E modeli konuşmacı benzerliği konusunda olağanüstü yetenekli. Microsoft, GitHub’da hem ses örneklerini paylaştı hem de yapay zekanın ayrıntılı bir teknik açıklamasını yayımladı.
Elbette bu tür bir teknolojinin; podcastler ve sesli kitaplar oluşturmak gibi pek çok potansiyel kullanım alanı var. VALL-E, GPT-3 gibi üretken modellerle birleştirildiğinde olasılıklar daha da genişleyebilir.
Ancak VALL-E gibi teknolojiler kötü niyetli amaçlarla da kullanılabilir.
VALL-E gerçek bir insanı andıran, ürkütücü derecede inandırıcı sesler üretebildiği için kötü niyetli kişiler tarafından izinsiz, zararlı deepfake içeriklerinde ve dolandırıcılıklarda kullanılabileceği ihtimali göz ardı edilemez. Bu tür riskler, Microsoft’un konuyla ilgili etik bir açıklama yayımlamasına yol açtı.
Bu açıklamada şirket, orijinal konuşmacının onayı olmadan kullanımın önüne geçebilmek için özel ses düzenleme modellerinin geliştirilmesini savunduğunu belirtiyor.
Fakat VALL-E’nin potansiyel kullanım alanları etrafındaki tartışmalar daha çok geleceğe ilişkin. Şimdilik masada daha heyecan verici bir soru var:
Yapay zeka, yalnızca üç saniyelik bir ses örneğinden yola çıkarak karmaşık konuşma kalıplarını nasıl çoğaltabiliyor?
Tahmin edilebileceği gibi, yanıtı oldukça karmaşık.
VALL-E, binlerce saatlik İngilizce konuşma içeren geniş bir eğitim veri setiyle beslenmiş durumda. Bu, yapay zekayı kusursuza yakın İngilizce konuşma simülasyonları için hazırlıyor. Ancak VALL-E sıradan bir TTS sistemi değil – en güncel makine öğrenimi teknolojileriyle çalışıyor.
Teknolojinin adından zaten bahsettik: sıfır atış sinirsel kodek dil modeli. Şimdi bu terimlerin pratikte ne anlama geldiğine yakından bakalım.
Sıfır atış sinirsel kodek dil modellerini anlamak
En basit kısımdan başlayacak olursak, “sıfır atış” özellikle yazıdan sese motorları için kullanılan bir teknoloji türünü ifade eder. Bu sayede yapay zekâ, daha önce hiç karşılaşmadığı veriler üzerinden bile ses üretebilir. Başka bir deyişle, makine daha önce “görmediği” metinleri de yüksek sesle okuyabilir.
Daha da etkileyici olan ise sıfır atış teknolojisinin, makinenin ek bir eğitim sürecine gerek kalmadan seslendirme yapmasına imkân tanımasıdır. Esasen, bildiği bir dilde ilk kez gördüğü bir metni akıcı bir şekilde okuyabilen insanlara benzer bir mantıkla çalışır.
İşin daha karmaşık tarafına geldiğimizde, “sinirsel kodek dil modeli” biraz daha ayrıntılı bir açıklama gerektirir.
TTS motorları, yazılı metinden dalga formu üretmek için ses kodeklerine başvurur. Kodek, yapay zekanın harf, kelime ve cümleleri karşılık gelen seslere dönüştürmesine yardımcı olur. Sinirsel bir kodek ise aynı amaca hizmet eder, fakat bunu gelişmiş bir sinir ağı üzerinden yapar.
Bu da doğal olarak şu soruyu gündeme getiriyor: Sinir ağı nedir?
Konuyu burada fazla derinleştirmeden genel hatlarıyla açıklayalım. Sinir ağı, insan beyninin çalışma biçimini taklit etmeye çalışan bir sistemdir. Ağ, düğüm adı verilen yapay nöronlardan oluşur ve bunlar birbirine bağlanarak katmanlar halinde düzenlenir.
Bu karmaşık yapı, derin öğrenme dediğimiz süreci mümkün kılar ve makinenin alışılmadık kalıpları keşfetmesine, bunlara uyum sağlayıp kendini geliştirmesine olanak verir.
Sinirsel kodek, bu denklemin diğer ayağı olan yazıdan sese modelini besleyip destekler.
Dil modeli, herhangi bir metni gerçek bir dil bağlamı içinde anlamlandırmak için geniş bir veri setinden yararlanır. Kısacası makinenin metni “anlama” biçimi tam olarak budur.
VALL-E örneğinde, Facebook’un Meta şirketi tarafından derlenen LibriLight adlı ses kütüphanesi, yapay zekanın dil modeli için temel veri kaynağı olarak kullanılmıştır.
Speechify ile en yeni TTS teknolojisini canlı olarak deneyin
VALL-E henüz halka açık olmasa da, Speechify ile gelişmiş bir yazıdan sese motorunun nasıl ses çıkardığını hemen duyabilirsiniz. Speechify, neredeyse her tür metni yüksek sesle okuyabilen bir TTS hizmetidir.
Ona yazılı bir metin, web içeriği ya da taranmış bir sayfa verdiğinizde, Speechify anında okur. Üstelik anlatıcı sesleri oldukça doğal tınlar. Klasik robotik TTS motorlarının aksine, Speechify çok daha insan gibi konuşur.
Ayrıca Speechify’ın nasıl okuma yapacağını dilediğiniz gibi özelleştirebilirsiniz. Tercih ettiğiniz dili, anlatıcıyı ve okuma hızını seçerek her türlü metni size en uygun şekilde dinleyebilirsiniz.
Tüm bunlar size cazip geldiyse, Speechify’ı ücretsiz deneyebilirsiniz.
SSS
VALL-E’yi şu anda insanlar kullanabiliyor mu?
VALL-E’nin kötüye kullanılmasına dair pek çok endişe var. Kimlik hırsızlığı özellikle kaygı verici bir ihtimal. Bu nedenle Microsoft, VALL-E’yi şimdilik kamuya açık şekilde sunmamaya karar verdi.
Microsoft Yapay Zekâ nedir?
Microsoft Yapay Zekâ belirli tek bir ürün değildir. Şirketin bu programı, bir yapay zekâ geliştirme çerçevesi olarak hizmet verir. Microsoft Yapay Zekâ; veri bilimi çözümleri, sohbet botları, robotik, makine öğrenimi ve sektördeki diğer yenilikçi teknolojileri kapsar.
Sesle yönlendirilen arayüz nedir?
Sesle yönlendirilen arayüz tam da adından anlaşılacağı gibidir – sesli komutlarla etkileşime girdiğiniz bir kullanıcı arayüzü. Bu teknoloji akıllı cihazlarda hâlihazırda çok yaygın; Amazon’un Alexa’sını, Apple’ın Siri’sini, Microsoft’un Cortana’sını veya Google Asistan’ı örnek verebiliriz.
Robot nedir?
“Robot” terimi, otomatik olarak çalışan her türlü makineyi ifade eder. Bu tür makineler insan emeğinin yerini alacak şekilde tasarlanır. Popüler medyadaki yaygın tasvirlerin aksine, çoğu robot insansı bir görünüme sahip değildir. Hatta fiziksel bir formu bile olmayabilirler. Örneğin, günümüzün popüler sanal asistanları da robot olarak değerlendirilebilir.
