Twarz robota, głos anioła?

Ostatnim razem, gdy słyszałeś, jak komputer konwertuje wiersz tekstu na mowę, prawdopodobnie zdarzyło Ci się to zirytować. Dział uczenia maszynowego firmy Google, DeepMind, opracował nowy system syntezy głosu wykorzystujący sztuczną inteligencję, który jego zdaniem poprawi sytuację.

Posiadanie komputera generującego dźwięk głosu nie jest nowym pomysłem. Być może najczęstszym podejściem jest po prostu użycie niewiarygodnie dużego wyboru nagranych wcześniej fragmentów mowy jednej osoby. W technice zwanej syntezą konkatenatywną łączy się je, tworząc większe dźwięki, słowa i zdania. Dlatego wiele mowy generowanej komputerowo często cierpi z powodu usterek, dziwacznych zmian w intonacji i błędnych wymowy.

Drugie konkurencyjne podejście wykorzystuje modele matematyczne do odtwarzania znanych dźwięków, które są następnie łączone w słowa i zdania. Chociaż jest mniej podatne na usterki, to tak zwane podejście parametryczne ostatecznie brzmi jak robota. Tym, co łączy te dwa podejścia, jest jednak to, że oba łączą ze sobą fragmenty dźwięku, zamiast tworzyć całą falę dźwiękową od zera.

To jednak dokładnie to, co robi podejście DeepMind. Konwolucyjne sieci neuronowe WaveNet są nauczane poprzez dostarczanie im klipów z prawdziwymi ludzkimi głosami i odpowiadającymi im cechami językowymi i fonetycznymi, aby mogły zidentyfikować wzorce łączące te dwie rzeczy. W trakcie użytkowania system jest dostarczany z nowym ciągiem funkcji dźwiękowych generowanych z wiersza tekstu; następnie próbuje stworzyć surową falę dźwiękową, aby przedstawić ją od zera. Robi to krok po kroku, najpierw generując jedną próbkę fali dźwiękowej, potem następną i następną — w każdym punkcie wykorzystując informacje o próbkach, które już zostały utworzone, aby pomóc w przygotowaniu nowej.

Wyniki brzmią przekonująco — możesz ich sam posłuchać tutaj . W porównaniu z podejściami konkatenatywnymi i parametrycznymi jest zauważalnie bardziej ludzki.

Jest jednak pewien haczyk: technika ta wymaga ogromnej mocy obliczeniowej. Ponieważ WaveNet musi stworzyć cały przebieg, musi użyć swoich procesów sieci neuronowej do wygenerowania 16 000 próbek na każdą sekundę wytwarzanego dźwięku (a nawet wtedy dźwięk jest równoważny tylko jakości dźwięku przesyłanego przez telefon lub połączenia VoIP). Według źródła DeepMind, które rozmawiałem z Czasy finansowe (paywall), co oznacza, że ​​na razie nie będzie używany w żadnym z produktów Google.

Mimo to nie jest to jedyny problem językowy, z jakim borykają się komputery. Interpretacja mowy i słowa pisanego jest również notorycznie trudna dla systemów sztucznej inteligencji. Przynajmniej w takim tempie, kiedy komputery będą w stanie zebrać środki na generowanie naprawdę inteligentnych myśli, będą również w stanie przekazać je nam z rozmachem.

(Czytaj więcej: DeepMind , Czasy finansowe , Problem językowy AI )

ukryć