Baidu mākslīgā intelekta laboratorija atklāj sintētiskās runas sistēmu

Cīņā par padziļinātu mācību metožu pielietošanu reālajā pasaulē viens uzņēmums stāv pāri konkurentiem. Google meitasuzņēmums DeepMind ir izmantojis šo tehniku, lai radītu mašīnas, kas spēj pārspēt cilvēkus videospēlēs un senajā spēlē Go. Pagājušajā gadā Google tulkotāja pakalpojumi ievērojami uzlabojās, pateicoties padziļinātas apmācības metožu ieviešanai aizkulisēs.

Tāpēc ir interesanti redzēt, kā citi uzņēmumi cenšas panākt. Šodien pienākusi kārta Baidu, interneta meklēšanas uzņēmumam, kas dažkārt tiek raksturots kā Google ķīniešu ekvivalents. 2013. gadā Baidu atvēra mākslīgā intelekta pētniecības laboratoriju Silīcija ielejā, izvirzot interesantu jautājumu: ar ko tā ir bijusi?

Tagad Baidu mākslīgā intelekta laboratorija ir atklājusi savu darbu runas sintēzes jomā. Viens no izaicinājumiem runas sintēzē ir samazināt aizkulisēs notiekošās precizēšanas apjomu. Baidu lielais sasniegums ir padziļinātas apmācības iekārtas izveide, kas lielā mērā novērš šāda veida iejaukšanos. Rezultāts ir teksta pārveides runas sistēma ar nosaukumu Deep Voice, kas var iemācīties runāt tikai dažu stundu laikā ar nelielu cilvēku iejaukšanos vai bez tās.

Vispirms nedaudz fona. Teksta pārvēršanas runā sistēmas mūsdienu pasaulē ir pazīstamas ar navigācijas lietotnēm, runājošajiem pulksteņiem, telefona atbildētāja sistēmām un tā tālāk. Tradicionāli tie ir izveidoti, ierakstot lielu viena indivīda runas datu bāzi un pēc tam pārkombinējot izteikumus, lai izveidotu jaunas frāzes.

Šo sistēmu problēma ir tāda, ka ir grūti pārslēgties uz jaunu runātāju vai mainīt vārdu uzsvaru, neierakstot pilnīgi jaunu datubāzi. Tātad datorzinātnieki ir strādājuši pie citas pieejas. Viņu mērķis ir sintezēt runu reāllaikā no nulles, kā tas ir nepieciešams.

Pagājušajā gadā Google DeepMind šajā jomā veica nozīmīgu izrāvienu. Tā atklāja neironu tīklu, kas mācās runāt, klausoties skaņas viļņus no īstas runas, vienlaikus salīdzinot to ar teksta atšifrējumu. Pēc apmācības tas spēja radīt sintētisku runu, pamatojoties uz tekstu, kas tam tika dots. Google DeepMind savu sistēmu sauca par WaveNet.

Baidu darbs ir WaveNet uzlabojums, kas apmācības procesā joprojām ir jāpielāgo. WaveNet ir arī skaitļošanas ziņā tik prasīgs, ka nav skaidrs, vai to kādreiz varētu izmantot runas sintezēšanai reālajā laikā reālajā pasaulē.

Baidu saka, ka ir pārvarējis šīs problēmas. Tās pieeja ir salīdzinoši vienkārša. Tajā tiek izmantotas padziļinātas mācīšanās metodes, lai pārvērstu tekstu mazākās uztveres ziņā atšķirīgās skaņas vienībās, ko sauc par fenomeniem. Pēc tam tas izmanto runas sintēzes tīklu, lai reproducētu šīs skaņas. Galvenā atšķirība šeit ir tā, ka katrs procesa posms darbojas ar dziļu mācīšanos, tāpēc pēc apmācības cilvēka precizēšana nav nepieciešama.

Ņemiet, piemēram, vārdu sveiks. Baidu sistēmai vispirms ir jāizstrādā fenomena robežas šādā veidā: (klusums HH), (HH, EH), (EH, L), (L, OW), (OW, klusums). Pēc tam tas ievada tos runas sintēzes sistēmā, kas izrunā vārdu.

Vienīgie mainīgie, ko jaunā sistēma nekontrolē, ir fonēmu spriegumi, to ilgums un skaņas dabiskā frekvence. Tas ļauj Baidu mainīt runātāja balsi un emocijas, ko vārds pauž.

Tas viss prasa daudz skaitļošanas. Reālistiskas runas paraugu ņemšanas frekvence ir aptuveni 48 kiloherci. Tātad datoram ir aptuveni 20 mikrosekundes, lai ģenerētu katru paraugu. Tā kā šīs skaņas radīšanas process ietver vairākus slāņus, katram no tiem savs uzdevums ir jāpaveic 1,5 mikrosekundēs. Lai to aplūkotu kontekstā, piekļuve vērtībai, kas atrodas CPU galvenajā atmiņā, var ilgt 0,1 mikrosekundi.

Lai veiktu secinājumus reāllaikā, mums ir jābūt ļoti uzmanīgiem, lai nekad nepārrēķinātu rezultātus, saglabātu visu modeli procesora kešatmiņā (pretēji galvenajai atmiņai) un optimāli izmantotu pieejamās skaitļošanas vienības, saka Baidu pētnieki.

Tomēr viņi saka, ka reāllaika runas sintēze ir iespējama ar viņu sistēmu, un ir to pārbaudījuši, izmantojot pūļa avotu uztveri Amazon's Mechanical Turk. Tas ietvēra lūgumu lielam skaitam klausītāju novērtēt audio kvalitāti, salīdzinot to ar pamata patiesības datiem oriģināla cilvēka ieraksta veidā.

Baidu saka, ka rezultāti ir augstas kvalitātes. Mēs optimizējam secinājumus, lai iegūtu lielāku ātrumu nekā reāllaikā, parādot, ka šīs metodes var izmantot, lai reāllaikā ģenerētu audio straumēšanas veidā, viņi saka.

Taču vēl svarīgāka ir sistēmas lietderība, ko var ātri pārkvalificēt uz pilnīgi jaunām datu kopām. Mūsu sistēma ir apmācāma bez cilvēka līdzdalības, ievērojami vienkāršojot teksta pārvēršanas runā sistēmu izveides procesu, saka komanda.

Tas ir interesants darbs, kura pamatā ir Google centieni ievērojami uzlabot teksta pārvēršanas runā sistēmas. Tas ir svarīgi, jo zinātniskās fantastikas rakstnieku gadu desmitiem vecais sapnis ir spēt runāt ar datoriem reāllaikā un viņiem atbildēt. Teksta pārveide runā ir svarīga tā sastāvdaļa.

Protams, maz ticams, ka Google DeepMind (vai kāds cits dziļās mācīšanās pasaulē) ir sēdējis uz vietas, kamēr Baidu pilnveido savu sintētisko runas sistēmu. Tas noteikti būs tikai laika jautājums, pirms mēs redzēsim, ko viņi ir darījuši un kā to salīdzināt.

Atsauce: arxiv.org/abs/1702.07825 : Deep Voice: reāllaika neironu teksta pārvēršana runā

paslēpties