يقوم الذكاء الاصطناعي من Microsoft بإنشاء أصوات واقعية من خلال 200 عينة تدريب فقط

تمتلك خوارزميات تحويل النص إلى كلام الحديثة قدرات مذهلة. أوضح دليل على ذلك هو أداتان مفتوحتان المصدر تسمى SpecAugment وTranslatotron، اللتان أصدرتهما Google مؤخرًا. على وجه الخصوص، يمكن لـ Translatotron أن يترجم بشكل كامل خطاب الشخص مباشرة إلى لغة أخرى مع الحفاظ على لهجة الجملة ونغمة صوتها. ومع ذلك، فإن الإبداع في التكنولوجيا لا حدود له، وهناك دائمًا مجال لمزيد من الأشياء غير العادية.

• يساعد نظام الذكاء الاصطناعي من أمازون على تقليل أخطاء التعرف على الصوت على Alexa بنسبة 15%.

قدم باحثو الذكاء الاصطناعي في مايكروسوفت مؤخرا ورقة بحثية بعنوان "تحويل النص إلى كلام بدون إشراف تقريبا والتعرف التلقائي على الكلام"، والذي يعرض تفاصيل نظام الذكاء الاصطناعي الذي يعزز التعلم غير الخاضع للرقابة. التعلم غير الخاضع للرقابة - وهو فرع من تكنولوجيا التعلم الآلي، يساعد الذكاء الاصطناعي على اكتساب القدرة على تعلم المعرفة. من بيانات الاختبار غير المسماة والمصنفة وغير المنسقة. أحدث نظام الذكاء الاصطناعي هذا من مايكروسوفت ضجة كبيرة عندما حقق دقة في فهم القراءة ومعالجة النصوص تصل إلى 99.84%، وفي الوقت نفسه، تم أيضًا تحسين قدرة محاكاة الكلام التلقائي إلى 11.7%. والأمر الأكثر إثارة للإعجاب هو أن نموذج التعلم الآلي المتقدم هذا يحتاج فقط إلى استخدام 200 مقطع صوتي والنسخ المقابلة كبيانات تدريب الإدخال.

المفتاح لتطوير نموذج الذكاء الاصطناعي هذا هو المحولات، وهي نوع من الهندسة العصبية التي بناها فريق من العلماء في Google Brain، ذراع أبحاث الذكاء الاصطناعي لشركة Google، وتم تقديمها في مقالة تقنية متعمقة في عام 2017. مثل جميع الشبكات العصبية العميقة، المحوات تحتوي على خلايا عصبية (وظائف رياضية تم تصميمها "بشكل فضفاض" بواسطة الخلايا العصبية البيولوجية) مرتبة في طبقات مترابطة لنقل "الإشارات" من البيانات المدخلة وضبط القوة التشابكية - الوزن - لكل اتصال تدريجيًا (وهي الطريقة التي تستخرج بها النماذج الميزات وتتعلم كيفية جعل التنبؤات). ومع ذلك، تمتلك المحولات أيضًا ميزة فريدة: سيتم توصيل كل عنصر مخرجات بجميع عناصر الإدخال ويتم حساب الأوزان بينها بمرونة شديدة.

• يسعى معهد ماساتشوستس للتكنولوجيا إلى تطوير نموذج ذكاء اصطناعي يمكنه القيادة مثل الإنسان تقريبًا

ومن هذا الواقع، شرع باحثو مايكروسوفت في دمج مكون Transformer في تصميم نظام الذكاء الاصطناعي الخاص بهم، مما يجعل من الممكن استقبال الكلام أو النص كبيانات إدخال أو إخراج. وقرر الباحثون اتخاذ مصدر بيانات LJSpeech المتاح للجمهور - والذي يحتوي على 13100 مقتطف صوتي باللغة الإنجليزية والنصوص المقابلة (النصوص) - كبيانات تدريبية لنظام الذكاء الاصطناعي. بعد ذلك، اختار فريق البحث بشكل عشوائي 200 من 13100 مقتطف صوتي مذكور أعلاه لإنشاء مجموعة بيانات تدريبية، كما استفادوا أيضًا من مكون ترميز تقليل الضوضاء التلقائي لإعادة بناء البيانات. تم كسر هياكل الكلام والنص.

النتائج ليست سيئة على الإطلاق. وبالنظر إلى كل مقتطف صغير، وجد الباحثون أنه أعطى نتائج أفضل من الخوارزميات الأساسية المستخدمة في الاختبارات. ويبدو أن عددًا قليلًا من العينات الناتجة يشبه إلى حد كبير أنها تم إنشاؤها بواسطة البشر.

فمثلاً الجملة: "يجب أن تكون أشكال الحروف المطبوعة جميلة وأن يكون ترتيبها في الصفحة معقولاً ومساعداً على شكل الحروف نفسها" تقرأ على النحو التالي:

أو الجملة: "خصوصًا أنه لم يعد هناك وقت مشغول أو تكاليف في صب أو طباعة الحروف الجميلة":

• ابتكر الذكاء الاصطناعي الياباني عارضات أزياء افتراضية فائقة الواقعية

من الآن فصاعدا، هدف الباحثين هو تجاوز حدود تكنولوجيا التعلم غير الخاضعة للرقابة من خلال الاستفادة الكاملة من بيانات النص والكلام غير المقترنة، بمساعدة الأساليب المتقدمة. تتوفر طرق الحفر المسبق. "بالنسبة لهذه المهمة، اقترحنا نهجًا غير خاضع للرقابة تقريبًا لتحويل النص إلى كلام والتعرف التلقائي على الكلام، والذي يستخدم فقط عددًا قليلاً من بيانات النص والكلام المتسلسلة المتسلسلة وكمية صغيرة من البيانات الإضافية غير المتسلسلة. كما هو موضح في التجارب، ستكون مكونات التصميم لدينا ضرورية لتطوير القدرة على تحويل الكلام والنص مع بعض البيانات المتسلسلة.

• جوجل تطلق مستودعًا ضخمًا لبيانات تدريب الذكاء الاصطناعي يضم أكثر من 5 ملايين صورة لـ 200 ألف معلم حول العالم

وستعرض مايكروسوفت تفاصيل هذا المشروع في المؤتمر الدولي للتعلم الآلي الذي سيعقد في لونج بيتش بولاية كاليفورنيا في الفترة من 10 إلى 15 يونيو، ويخطط فريق البحث أيضًا لإصدار مفتوح المصدر في الأسابيع المقبلة.