Microsoft の AI はわずか 200 のトレーニングサンプルでリアルな音声を作成します

最新のテキスト読み上げアルゴリズムは、驚くべき機能を備えています。最も明らかな証拠は、Google が最近リリースした SpecAugment と Translatotron という 2 つのオープンソースツールです。特に、Translatotron は、文の調子やイントネーションを維持しながら、人の発話を別の言語に直接完全に翻訳できます。しかし、テクノロジーにおける創造性は無限であり、より驚異的なものを生み出す余地は常にあります。

Amazon の AI システムにより、Alexa での音声認識エラーが 15% 削減されました。

Microsoft の人工知能研究者は最近、「ほぼ教師なしのテキスト読み上げと自動音声認識」というタイトルの論文を発表し、教師なし学習を活用する AI システムについて詳しく説明しています。ラベルなし、分類されていない、フォーマットされていないテストデータから。マイクロソフトのこの AI システムは、読解と文書処理の精度が最大 99.84% に達し、同時に自動音声シミュレーション能力も 11.7% に向上したことで大きな話題となりました。さらに驚くべきことに、この高度な機械学習モデルは、入力トレーニングデータとして 200 個のオーディオクリップと対応する文字起こしを使用するだけで済みます。

この AI モデル開発の鍵となるのは、Google の AI 研究部門である Google Brain の科学者チームによって構築されたニューラルアーキテクチャの一種であるトランスフォーマーであり、2017 年に詳細なテクノロジー記事で紹介されました。他のディープニューラルネットワークと同様、トランスフォーマーも含まれるニューロン（生物学的ニューロンによって「緩やかに」モデル化された数学的関数）は相互接続された層に配置され、入力データから「信号」を送信し、各接続のシナプスの強さ（重み）を段階的に調整します（これにより、モデルが特徴を抽出し、学習する方法が決まります）予測を行います）。ただし、Transformer には独自の機能もあります。すべての出力要素がすべての入力要素に接続され、それらの間の重みが非常に柔軟に計算されます。

Microsoft の AI はわずか 200 のトレーニングサンプルでリアルな音声を作成します

MITは人間とほぼ同じように運転できるAIモデルの開発に努めている

この現実から、Microsoft の研究者は Transformer コンポーネントを AI システム設計に組み込むことを進め、音声やテキストを入力または出力データとして受信できるようにしました。そして研究者らは、AI システムのトレーニングデータとして、公開されている LJSpeech データソース (13,100 の英語音声の抜粋と対応するトランスクリプト (トランスクリプト) が含まれている) を使用することにしました。次に、研究チームは、上記の 13,100 の音声抜粋から 200 をランダムに選択してトレーニングデータセットを作成し、また、自動ノイズ除去エンコーディングコンポーネントを利用してデータを再構築しましたが、音声とテキストの構造は壊れています。

結果は全く悪くありません。それぞれの小さな断片を観察すると、研究者らは、テストで使用された基本的なアルゴリズムよりも優れた結果が得られることを発見しました。そして、結果として得られるサンプルのいくつかは、人間が作成したものとほとんど同じように聞こえます。

たとえば、「印刷された文字の形式は美しくなければならず、ページ上の配置は合理的であり、文字自体の形状を助けるものでなければなりません」という文は、次のように解釈されます。

または、「特に、鋳造設定や美しい文字の印刷に時間やコストがかからないため」という文:

日本の人工知能が超リアルな仮想ファッションモデルを作成

今後、研究者の目標は、高度な手法の助けを借りて、ペアになっていないテキストと音声のデータを最大限に活用することで、教師なし学習テクノロジーの限界を押し上げることです。「このタスクのために、私たちはテキスト読み上げと自動音声認識のためのほぼ教師なしのアプローチを提案しました。これは、少数の連結されたテキストと連結された音声データ、および少量の追加の非連結データのみを使用します。実験で実証されたように、私たちの設計コンポーネントは、連結されたデータを含む音声とテキストを変換する機能を開発するために不可欠です。