Oprogramowanie biznesowe

Sztuczna inteligencja Microsoftu potrzebuje trzech sekund, aby naśladować czyjś głos

Vall-E, sztuczna inteligencja stworzona przez Microsoft, może naśladować ton i mowę prawdziwych ludzi, słuchając ich głosu przez trzy sekundy, chociaż nadal będzie on brzmiał trochę jak głos robota.

Vall-E, sztuczna inteligencja stworzona przez Microsoft, może naśladować ton i mowę prawdziwych ludzi, słuchając ich głosu przez trzy sekundy, chociaż nadal będzie on brzmiał trochę jak głos robota.

Sztuczna inteligencja Microsoftu potrzebuje trzech sekund, aby naśladować czyjś głos

Sztuczna inteligencja Vall-E firmy Microsoft. Zdjęcie ilustracyjne: VallE-Demo.

Ten system sztucznej inteligencji firmy Microsoft nazywany jest „modelem języka kodeka neuronowego”. Kodek to narzędzie wykorzystujące algorytmy do przetwarzania wideo i przechowywania go w strumieniu bajtów. Pliki audio lub wideo są minimalizowane, a następnie dekompresowane w różnych celach.

Vall-E został zbudowany przez firmę Microsoft na platformie EnCodec, kodeku audio wykorzystującym techniki uczenia maszynowego opracowane w 2022 roku przez firmę Meta. Vall-E tworzy unikalne kodeki audio, przechwytując i analizując dźwięk każdej osoby, a następnie informacje są dzielone na części zwane „tokenami” za pomocą EnCodec. Różni się to od poprzednich metod zamiany tekstu na mowę, które zwykle mają formę falową.

Następnie Vall-E wykorzystuje dane szkoleniowe, aby dopasować swoją „wiedzę” o intonacji mowy, dzięki czemu może wypowiadać inne frazy zgodnie z tym, czego się „nauczył”.

Cały proces imitacji mowy trwa trzy sekundy – nigdy wcześniej nie udało się tego osiągnąć żadnemu współczesnemu systemowi sztucznej inteligencji imitującej język.

Do szkolenia Vall-E Microsoft korzysta z biblioteki zawierającej 60 000 godzin rozmów po angielsku od ponad 7 000 osób. Ta biblioteka będzie z czasem dodawana w większej liczbie języków.

Microsoft ma nadzieję, że Vall-E zostanie zastosowany w wysokiej jakości oprogramowaniu do zamiany tekstu na mowę.

Jednak Vall-E budzi wśród ekspertów obawy, że może on zostać wykorzystany do szkodliwych celów. Ta sztuczna inteligencja może być wykorzystywana przez złoczyńców do podszywania się pod głosy w celu oszustwa i wymuszenia. Jeśli tę sztuczną inteligencję połączymy z filmami typu deepfake, poziom zagrożenia może wielokrotnie wzrosnąć.

More in Oprogramowanie biznesowe