Google automātiskā runas pabeigšana var slēpt kļūmes videozvanos

Kategorija: Mākslīgais intelekts Ievietots 06. aprīlī

Ziņas: Tā kā daudzi no mums tagad paļaujas uz videozvaniem, lai mijiedarbotos aci pret aci , saraustītie savienojumi rada vairāk vilšanās nekā jebkad agrāk. Mākslīgais intelekts, kas atdarina atsevišķa runātāja runas veidu, var izlīdzināt plaisas, aizpildot nelielas nepilnības ar ģenerētas runas fragmentiem. Tehnoloģiju izstrādāja Google komanda, un tagad tā tiek izmantota Google videozvanu lietotne Duo .

Kāda ir problēma? Kad veicat tiešsaistes zvanu, jūsu balss tiek sadalīta daudzos sīkos gabaliņos, kas tiek saspiesti internetā datu blokos, kas pazīstami kā paketes. Paketes bieži nonāk sajukušas, un programmatūrai tās ir jāpārkārto. Bet dažreiz paketes vispār nepienāk, kas sarunā rada kļūmes un nepilnības. Tas notiek vislabākajā laikā. Saskaņā ar Google datiem 99% Duo zvanu ir saistīti ar sajauktām vai pazaudētām paketēm. Desmitā daļa no šiem zvaniem zaudē vairāk nekā 8% audio.

Runas ģenerēšana: Lai atrisinātu problēmu, komanda izveidoja DeepMind izstrādāto neironu tīklu, kas var ģenerēt reālistisku runu no teksta . Jaunais neironu tīkls, ko sauca par WaveNetEQ, pēc tam tika apmācīts, izmantojot lielu datu kopu, kurā bija 100 ierakstītas cilvēku balsis, kas runāja 48 dažādās valodās, līdz tas varēja automātiski pabeigt īsas runas sadaļas, pamatojoties uz parastiem cilvēku runas modeļiem. Tā kā Duo ir pilnībā šifrēts, AI darbojas ierīcē, nevis mākonī. Sarunas laikā WaveNetEQ spēj apgūt runātāja balss īpašības un ģenerē audio fragmentus, kas atbilst gan runātāja teiktā stilam, gan saturam. Kad pakete tiek pazaudēta, tās vietā tiek ievietota AI ģenerētā balss.

Pagaidām AI var ģenerēt tikai zilbes, nevis veselus vārdus vai frāzes. Bet īss Google publicētie paraugi tiešsaistē parādīt, ka rezultāti var būt diezgan reālistiski. Vienā gadījumā mākslīgais intelekts aizstāj vārda nepatikšanas otro zilbi balsī, kas precīzi atdarina vīrieša runātāju.