AI Microsoft mencipta suara yang realistik dengan hanya 200 sampel latihan

Algoritma teks-ke-ucapan moden mempunyai keupayaan yang menakjubkan. Bukti paling jelas ialah dua alat sumber terbuka yang dipanggil SpecAugment dan Translatotron, baru-baru ini dikeluarkan oleh Google. Khususnya, Translatotron boleh menterjemah sepenuhnya pertuturan seseorang terus ke bahasa lain sambil mengekalkan nada dan intonasi ayat tersebut. Walau bagaimanapun, kreativiti dalam teknologi tidak terhad dan sentiasa ada ruang untuk perkara yang lebih luar biasa.

• Sistem AI Amazon membantu mengurangkan ralat pengecaman suara pada Alexa sebanyak 15%.

Penyelidik kecerdasan buatan di Microsoft baru-baru ini membentangkan kertas kerja bertajuk "Almost Unsupervised Text to Speech and Automatic Speech Recognition," yang memperincikan sistem AI yang memanfaatkan pembelajaran tanpa pengawasan. Pembelajaran tanpa pengawasan - cabang teknologi pembelajaran mesin, membantu AI mempunyai keupayaan untuk mempelajari pengetahuan daripada data ujian tidak berlabel, terperingkat dan tidak berformat. Sistem AI daripada Microsoft ini membuat percikan besar apabila ia mencapai ketepatan dalam pemahaman bacaan dan pemprosesan perkataan sehingga 99.84%, dan pada masa yang sama, keupayaan simulasi pertuturan automatik juga dipertingkatkan kepada 11.7%. . Lebih mengagumkan, model pembelajaran mesin lanjutan ini hanya perlu menggunakan 200 klip audio dan transkripsi yang sepadan sebagai data latihan input.

Kunci untuk membangunkan model AI ini ialah Transformers, sejenis seni bina saraf yang dibina oleh pasukan saintis di Google Brain, cabang penyelidikan AI Google dan telah diperkenalkan dalam artikel teknologi yang mendalam pada 2017. Seperti semua rangkaian saraf dalam, Transformers mengandungi neuron (fungsi matematik yang "longgar" dimodelkan oleh neuron biologi) disusun dalam lapisan yang saling berkaitan untuk menghantar "isyarat" daripada data input dan secara beransur-ansur melaraskan kekuatan sinaptik - berat - setiap sambungan (iaitu bagaimana model mengekstrak ciri dan belajar untuk membuat ramalan). Walau bagaimanapun, Transformers juga mempunyai ciri unik: setiap elemen output akan disambungkan kepada semua elemen input dan pemberat di antara mereka dikira dengan sangat fleksibel.

• MIT berusaha untuk membangunkan model AI yang boleh memandu hampir seperti manusia

Daripada realiti ini, penyelidik Microsoft meneruskan untuk memasukkan komponen Transformer ke dalam reka bentuk sistem AI mereka, membolehkan untuk menerima ucapan atau teks sebagai data input atau output. Dan para penyelidik memutuskan untuk mengambil sumber data LJSpeech yang tersedia secara terbuka - yang mengandungi 13,100 petikan audio Inggeris dan transkrip (transkrip) yang sepadan - sebagai data latihan untuk sistem AI. Seterusnya, pasukan penyelidik secara rawak memilih 200 daripada 13,100 petikan audio yang dinyatakan di atas untuk mencipta set data latihan, dan mereka juga mengambil kesempatan daripada komponen pengekodan penyahnodahan automatik untuk membina semula data. Struktur pertuturan dan teks rosak.

Hasilnya tidak buruk sama sekali. Melihat setiap coretan kecil, para penyelidik mendapati bahawa ia memberikan hasil yang lebih baik daripada algoritma asas yang digunakan dalam ujian. Dan beberapa sampel yang terhasil bunyi hampir sama seperti ia dicipta oleh manusia.

Sebagai contoh, ayat: "bentuk huruf bercetak hendaklah cantik dan susunannya pada halaman hendaklah munasabah dan membantu kepada bentuk huruf itu sendiri" akan dibaca seperti berikut:

Atau ayat: "terutamanya kerana tiada lagi masa yang diduduki atau kos yang ditanggung dalam penetapan pemutus atau mencetak huruf yang indah":

• Kepintaran buatan Jepun telah mencipta model fesyen maya super-realistik

Melangkah ke hadapan, matlamat penyelidik adalah untuk menolak had teknologi pembelajaran tanpa pengawasan dengan memanfaatkan sepenuhnya data teks dan pertuturan yang tidak berpasangan, dengan bantuan kaedah lanjutan. Kaedah pra-penggalian tersedia. “Untuk tugasan ini, kami mencadangkan pendekatan yang hampir tidak diselia untuk pengecaman teks-ke-pertuturan dan pertuturan automatik, yang menggunakan hanya beberapa teks bercantum dan data pertuturan yang digabungkan dan sejumlah kecil data tambahan yang tidak digabungkan. Seperti yang ditunjukkan dalam eksperimen, komponen reka bentuk kami adalah penting untuk membangunkan keupayaan untuk menukar pertuturan dan teks dengan beberapa data yang digabungkan.

• Google mengeluarkan gudang data latihan AI yang besar dengan lebih daripada 5 juta foto 200,000 tanda tempat di seluruh dunia

Butiran projek ini akan dibentangkan oleh Microsoft pada Persidangan Antarabangsa mengenai Pembelajaran Mesin yang berlangsung di Long Beach, California dari 10 hingga 15 Jun, dan pasukan penyelidik juga merancang untuk mengeluarkan sumber terbuka dalam beberapa minggu akan datang.