Robota seja, eņģeļa balss?

Pēdējo reizi, kad dzirdējāt, kā dators pārveido teksta rindiņu runā, tas, iespējams, ir saplaisājis. Google mašīnmācības nodaļa DeepMind ir izstrādājusi jaunu balss sintēzes sistēmu, izmantojot mākslīgo intelektu, kas, tāsprāt, uzlabos situāciju.

Tas, ka dators rada balss skaņu, nav jauna ideja. Iespējams, visizplatītākā pieeja ir vienkārši izmantot neticami lielu iepriekš ierakstītu runas fragmentu izvēli no vienas personas. Tehnikā, ko sauc par konkatenatīvo sintēzi, tie tiek salikti kopā, lai radītu lielākas skaņas, vārdus un teikumus. Tāpēc liela daļa datora ģenerētas runas bieži cieš no traucējumiem, dīvainām intonācijas izmaiņām un izrunas traucējumiem.

Otra konkurējošā pieeja izmanto matemātiskos modeļus, lai no jauna izveidotu zināmas skaņas, kuras pēc tam tiek apkopotas vārdos un teikumos. Lai gan tā ir mazāk pakļauta kļūmēm, šī tā sauktā parametriskā pieeja tomēr izklausās robotiska. Tomēr abas pieejas vieno tas, ka tās abas savieno skaņas gabalus, nevis rada visu audio viļņu formu no nulles.

Tomēr tas ir tieši tas, ko dara DeepMind pieeja. WaveNet konvolucionālie neironu tīkli tiek mācīti, ievadot tiem īstu cilvēku balsu klipus un atbilstošās lingvistiskās un fonētiskās iezīmes, lai viņi varētu identificēt ar tiem saistītos modeļus. Lietojot, sistēma tiek nodrošināta ar jaunu skaņas funkciju virkni, kas ģenerēta no teksta rindiņas; tad tas mēģina izveidot neapstrādātu skaņas vilni, lai to attēlotu no nulles. Tas tiek darīts pakāpeniski, vispirms ģenerējot vienu skaņas viļņa paraugu, pēc tam nākamo un nākamo — katrā punktā izmantojot informāciju par jau izveidotajiem paraugiem, lai palīdzētu informēt jaunu.

Rezultāti izklausās pārliecinoši - jūs pats varat tos klausīties šeit . Salīdzinot ar konkatenatīvo un parametrisko pieeju, tas ir ievērojami cilvēciskāks.

Tomēr ir kāds āķis: šī tehnika prasa daudz skaitļošanas zirgspēku. Tā kā WaveNet ir jāizveido visa viļņu forma, tam ir jāizmanto savi neironu tīkla procesi, lai ģenerētu 16 000 paraugu katrai audio sekundei (un pat tad skaņa ir tikai līdzvērtīga skaņas kvalitātei, kas tiek nosūtīta, izmantojot tālruņa vai VoIP zvanus). Saskaņā ar DeepMind avotu, kurš runāja ar Financial Times (maksas mūris), tas nozīmē, ka pagaidām tas netiks izmantots nevienā no Google produktiem.

Tomēr tā nav vienīgā valodas problēma, ar ko saskaras datori. Runas un rakstītā vārda interpretācija ir ļoti sarežģīta arī mākslīgā intelekta sistēmām. Vismaz tādā ātrumā, kad datori var apkopot līdzekļus, lai radītu patiesi inteliģentus pārdomas, tie arī spēs tos nodot mums ar uzplaukumu.

(Lasīt vairāk: DeepMind , Financial Times , AI valodas problēma)

paslēpties