Штучний інтелект (ШІ) вже проник майже в усі сфери нашого життя: від чат-ботів на вебсайтах до творців контенту в соціальних мережах і навіть відеоігор. Особливо помітний розвиток технологій голосового ШІ: від простих систем синтезу мови (Text-To-Speech, TTS) до створення синтетичних голосів, максимально схожих на людські. За допомогою таких інструментів, як генератори голосу та програмне забезпечення для клонування голосу, ШІ вже здатен правдоподібно імітувати людський голос.
Різниця між синтезом мови та розпізнаванням мовлення
Синтез мови (Text-to-speech, TTS) та розпізнавання мовлення — це дві сторони однієї медалі. Обидві технології пов'язані з людським голосом і ШІ, але мають різне призначення. TTS — це спосіб синтезу мовлення, який перетворює текст на звукове мовлення й часто використовується в аудіокнигах, e-learning-платформах та допоміжних технологіях для людей з інвалідністю. На основі алгоритмів штучного інтелекту та машинного навчання TTS створює синтетичний голос із тексту.
Натомість розпізнавання мовлення — це процес, коли інструмент на основі ШІ перетворює вимовлені слова на текст. Таку технологію використовують у сервісах миттєвого транскрибування, голосових помічниках, як-от Siri від Apple або Alexa від Amazon, а також у деяких соціальних мережах, наприклад, TikTok для створення субтитрів.
Як ШІ може відтворити людський голос
Типовий процес відтворення людського голосу ШІ складається з двох етапів — аналізу та синтезу. Це частина напрямку, відомого як клонування голосу. Спочатку система ШІ використовує алгоритми глибокого навчання та нейронні мережі для аналізу аудіозаписів людини, вивчаючи патерни, інтонації та акценти її мовлення.
На етапі синтезу ШІ застосовує генеративні моделі (наприклад, ChatGPT від OpenAI або VoCo від Adobe), щоб створити цифровий голос, що відтворює проаналізований голос. Це схоже на створення «глибфейків», але лише для голосу. Зазвичай для отримання реалістичного результату системі достатньо всього кількох секунд запису.
Складові створення людського голосу
Для створення людського голосу необхідно враховувати кілька складових:
- Фонетичний аналіз: розуміння фонетичної структури усної мови, поділ слів на окремі звуки.
- Аналіз просодії: виявлення ритму, наголосу та інтонації мовлення.
- Алгоритми навчання: використання алгоритмів машинного навчання для навчання на основі аудіоданих і відтворення подібних патернів.
- Генеративні моделі: застосування моделей для створення нових voice-даних, які відповідають вивченим шаблонам.
Відмінності між людським голосом та голосом штучного інтелекту
Хоча досягнення у сфері синтезу мови зробили голоси ШІ більш природними та схожими на людські, між ними все ж є відмінності. Основна різниця — в емоційних нюансах і контекстно-залежних інтонаціях, притаманних лише людській мові й тих, які ШІ ще тільки вчиться відтворювати. Також не можна забувати про етичні та приватні аспекти клонування голосу, адже зловживання такими технологіями може призвести до крадіжки особистих даних чи підробок (deepfake).
Топ-8 програм для ШІ-голосу
- ChatGPT від OpenAI: Використовує генеративний ШІ для створення текстових відповідей, максимально наближених до живого спілкування. ChatGPT можна інтегрувати в різні застосунки для отримання реалістичного голосу на основі ШІ.
- VoCo від Adobe: Інструмент клонування голосу від Adobe, що дозволяє редагувати та створювати людську мову лише на підставі 20-хвилинного зразка оригінального голосу.
- Amazon Polly: Сервіс, який перетворює текст на природне мовлення, даючи змогу розробникам створювати «розмовляючі» додатки та нові категорії продуктів із підтримкою голосу.
- Microsoft Azure Text to Speech: Відомий завдяки високоякісному, природно звучному голосу ШІ; широко використовується для забезпечення доступності, в індустрії розваг та у засобах зв'язку.
- Google Text-to-Speech: Служба, яку використовують сервіси Google для синтезу природного мовлення більш ніж 30 мовами світу.
- Descript: Цей інструмент дозволяє користувачам створювати, редагувати та покращувати власний голос для завдань, таких як подкасти та озвучування.
- Resemble AI: Resemble AI пропонує технологію клонування голосу для створення унікальних, згенерованих ШІ-голосів для брендів та продуктів.
- Lyrebird: Поглинута Descript, Lyrebird була однією з перших програм для клонування голосу, що дозволяла створювати реалістичні цифрові голоси.
Голосові технології на основі ШІ, які працюють завдяки глибокому навчанню та нейронним мережам, стрімко розвиваються й знаходять застосування в аудіокнигах, подкастах, соцмережах і відеоіграх. Як повідомляє Forbes, нові ШІ-інструменти забезпечують високоякісні реалістичні голоси, що змінюють нашу взаємодію з технологіями. З розвитком цієї сфери межа між людським та згенерованим голосом поступово розмивається. Однак разом із величезними можливостями важливо пам'ятати про етичні та приватні аспекти використання таких технологій.
