يستغرق الذكاء الاصطناعي من Microsoft ثلاث ثوانٍ لتقليد صوت أي شخص

يمكن لـ Vall-E، وهو الذكاء الاصطناعي الذي أنشأته شركة مايكروسوفت، تقليد نغمة وكلام الأشخاص الحقيقيين من خلال الاستماع إلى أصواتهم لمدة ثلاث ثوانٍ، على الرغم من أنه سيظل يشبه إلى حد ما صوت الروبوت.

مايكروسوفت AI Vall-E. الصورة التوضيحية: VallE-Demo.

يُطلق على نظام الذكاء الاصطناعي هذا من Microsoft اسم "نموذج لغة الترميز العصبي". برنامج الترميز هو أداة تستخدم الخوارزميات لمعالجة الفيديو وتخزينه في تدفق من البايتات. يتم تصغير ملفات الصوت أو الفيديو ثم فك ضغطها لأغراض مختلفة.

تم إنشاء Vall-E بواسطة Microsoft على منصة EnCodec، وهو برنامج ترميز صوتي يستخدم تقنيات التعلم الآلي التي تم تطويرها في عام 2022 بواسطة Meta. يقوم Vall-E بإنشاء برامج ترميز صوتية فريدة من خلال التقاط وتحليل صوت كل شخص، ثم يتم تقسيم المعلومات إلى أجزاء تسمى "الرموز المميزة" من خلال EnCodec. وهذا يختلف عن طرق تحويل النص إلى كلام السابقة، والتي عادة ما تكون في شكل موجة.

يستخدم Vall-E بعد ذلك بيانات التدريب لمطابقة ما "يعرفه" عن نغمة الكلام، حتى يتمكن من نطق عبارات أخرى وفقًا لما "تعلمه".

تتم عملية تقليد الكلام بأكملها في ثلاث ثوانٍ، وهو ما لم يحدث من قبل من قبل أي نظام ذكاء اصطناعي لتقليد اللغة اليوم.

تستخدم Microsoft مكتبة تحتوي على 60 ألف ساعة من التحدث باللغة الإنجليزية لأكثر من 7000 شخص لتدريب Vall-E. ستتم إضافة هذه المكتبة إلى بمرور الوقت وبالمزيد من اللغات.

وتأمل مايكروسوفت أن يتم تطبيق Vall-E في برامج تحويل النص إلى كلام عالية الجودة.

ومع ذلك، فإن Vall-E يثير قلق الخبراء من إمكانية استخدامه لأغراض ضارة. يمكن للأشرار استخدام هذا الذكاء الاصطناعي لانتحال أصوات بغرض الاحتيال والابتزاز. إذا تم دمج هذا الذكاء الاصطناعي مع مقاطع الفيديو المزيفة، فيمكن أن يتضاعف مستوى الخطر عدة مرات.