Inteligența artificială Google a făcut o mașinărie să aibă voce aproape umană

Una dintre cele mai importante caracteristici umane pe care computerele nu o pot replica este vocea umană. Sau, cel puțin, așa stăteau lucrurile până acum.

Desigur, am evoluat mult de la seria „Lost in Space” și de la vocea (mult prea) mecanică a lui Robot B9, dar aveam impresia că va mai dura mult până când computerele vor suna uman. Grație DeepMind, inteligența artificială a celor de la Google, acest lucru a devenit realitate.

Google a anunțat un nou program de sintetizare vocală în WaveNet, bazat pe inteligența artificială DeepMind. Înțelegerea vocii este esențială pentru programe precum Google Voice Search, dar sintetizarea ei a fost o provocare destul de mare.

Până în momentul de față, cea mai relevantă metodă era TTS-ul (text-to-speech) care combină fragmente din discursuri înregistrate separat. Un mare lips era faptul că nu putea modifica fragmentele respective pentru a crea ceva nou, așa că vocea care „recita” textul suna robotic. Pentru că, evident, eșua în a exprima emoții și în a suna natural, a crescut cererea pentru TTS-ul parametric, care permite controlarea conținutului și caracteristicilor discursului. Din păcate, acesta sună și mai artificial decât primul tip de TTS, mai ales pentru limbi silabice precum engleza.

Cum arată acum casa în care a locuit Sergiu Nicolaescu. Este o adevărată bijuterie arhitecturală, dar și măr de discordie între văduva și sora regretatului actor

Valea Largă, cel mai nou bulevard din București, a fost inaugurat. Șoferii vor mai scăpa de aglomerația din cartierul Drumul Taberei

WaveNet folosește o abordare diferită. În loc să analizeze pur și simplu mesajul înregistrat, îl „învață”, așa cum o fac majoritatea sistemelor neurale actuale. Lucrează cu cel puțin 16.000 de sample-uri pe secundă, iar WaveNet poate genera propriile mostre audio, fără prea multă intervenție umană. Folosește statistici pentru a anticipa ce fragment îi trebuie pentru ca textul să aibă sens.

Poate cea mai impresionantă parte e faptul că sistemul poate sintetiza discursuri fără input, spre deosebire de TTS. Articolul publicat pe site-ul oficial DeepMind explică în detaliu cum funcționează noul program și, în plus, poți asculta câteva mostre audio generate de WaveNet. Bonus, câteva fragmente muzicale care sună chiar bine.