La IA de Microsoft crea voces realistas con solo 200 muestras de entrenamiento

Los algoritmos modernos de conversión de texto a voz poseen capacidades asombrosas. La evidencia más clara son dos herramientas de código abierto llamadas SpecAugment y Translatotron, lanzadas recientemente por Google. En particular, Translatotron puede traducir completamente el discurso de una persona directamente a otro idioma conservando al mismo tiempo el tono y la entonación de la oración. Sin embargo, la creatividad en la tecnología no tiene límites y siempre hay espacio para cosas más extraordinarias.

• El sistema de inteligencia artificial de Amazon ayuda a reducir los errores de reconocimiento de voz en Alexa en un 15%.

Investigadores de inteligencia artificial de Microsoft presentaron recientemente un artículo titulado "Texto a voz casi no supervisado y reconocimiento automático de voz", que detalla un sistema de IA que aprovecha el aprendizaje no supervisado. El aprendizaje no supervisado, una rama de la tecnología de aprendizaje automático, ayuda a la IA a tener la capacidad de aprender conocimientos. a partir de datos de prueba sin etiquetar, clasificados y sin formato. Este sistema de inteligencia artificial de Microsoft causó un gran revuelo cuando logró una precisión en la comprensión lectora y el procesamiento de textos de hasta el 99,84% y, al mismo tiempo, la capacidad de simulación automática del habla también mejoró hasta el 11,7%. Lo más impresionante es que este modelo avanzado de aprendizaje automático solo necesita utilizar 200 clips de audio y las transcripciones correspondientes como datos de entrenamiento de entrada.

La clave para desarrollar este modelo de IA son Transformers, un tipo de arquitectura neuronal construida por un equipo de científicos de Google Brain, el brazo de investigación de IA de Google, y que se presentó en un artículo tecnológico detallado en 2017. Como todas las redes neuronales profundas, Transformers contienen neuronas (funciones matemáticas que son modeladas “vagamente” por neuronas biológicas) están dispuestas en capas interconectadas para transmitir “señales” a partir de datos de entrada y ajustar gradualmente la fuerza sináptica (peso) de cada conexión (que es como los modelos extraen características y aprenden a hacer predicciones). Sin embargo, los transformadores también poseen una característica única: cada elemento de salida se conectará a todos los elementos de entrada y los pesos entre ellos se calculan de manera extremadamente flexible.

• El MIT se esfuerza por desarrollar un modelo de IA que pueda conducir casi como un humano

A partir de esta realidad, los investigadores de Microsoft procedieron a incorporar un componente Transformer en el diseño de su sistema de IA, permitiendo recibir voz o texto como datos de entrada o salida. Y los investigadores decidieron tomar la fuente de datos LJSpeech disponible públicamente, que contiene 13.100 extractos de audio en inglés y sus correspondientes transcripciones (transcripciones), como datos de entrenamiento para el sistema de IA. A continuación, el equipo de investigación seleccionó al azar 200 de los 13.100 extractos de audio mencionados anteriormente para crear un conjunto de datos de entrenamiento y también aprovecharon un componente de codificación de eliminación automática de ruido para reconstruir los datos.

Los resultados no están nada mal. Al observar cada pequeño fragmento, los investigadores descubrieron que daba mejores resultados que los algoritmos básicos utilizados en las pruebas. Y algunas de las muestras resultantes suenan muy parecidas a si hubieran sido creadas por humanos.

Por ejemplo, la frase: "las formas de las letras impresas deben ser hermosas y su disposición en la página debe ser razonable y ayudar a la forma de las letras mismas" se leería de la siguiente manera:

O la frase: "especialmente porque no se ocupa más tiempo ni se incurre en costos en la configuración del molde o en la impresión de hermosas letras":

• La inteligencia artificial japonesa ha creado modelos de moda virtuales súper realistas

De cara al futuro, el objetivo de los investigadores es superar los límites de la tecnología de aprendizaje no supervisado aprovechando al máximo los datos de texto y voz no emparejados, con la ayuda de métodos avanzados. Hay métodos de investigación previa disponibles. “Para esta tarea, propusimos un enfoque casi no supervisado para la conversión de texto a voz y el reconocimiento automático de voz, que utiliza solo unos pocos textos y datos de voz concatenados y una pequeña cantidad de datos adicionales no concatenados. Como se demostró en los experimentos, nuestros componentes de diseño serán esenciales para desarrollar la capacidad de convertir voz y texto con algunos datos concatenados.

• Google lanza un enorme almacén de datos de entrenamiento de IA con más de 5 millones de fotografías de 200.000 puntos de referencia en todo el mundo

Microsoft presentará los detalles de este proyecto en la Conferencia Internacional sobre Aprendizaje Automático que tendrá lugar en Long Beach, California, del 10 al 15 de junio, y el equipo de investigación también planea lanzarlo en código abierto en las próximas semanas.