AI Microsoft creează voci realiste cu doar 200 de mostre de antrenament

Algoritmii moderni de transformare a textului în vorbire posedă capacități uimitoare. Cea mai clară dovadă sunt două instrumente open source numite SpecAugment și Translatotron, lansate recent de Google. În special, Translatotron poate traduce complet discursul unei persoane direct într-o altă limbă, păstrând totuși tonul și intonația propoziției. Cu toate acestea, creativitatea în tehnologie este nelimitată și întotdeauna este loc pentru lucruri mai extraordinare.

• Sistemul AI al Amazon ajută la reducerea erorilor de recunoaștere a vocii pe Alexa cu 15%.

Cercetătorii de inteligență artificială de la Microsoft au prezentat recent o lucrare intitulată „Almost Unsupervised Text to Speech and Automatic Speech Recognition”, care detaliază un sistem AI care valorifică învățarea nesupervizată. din date de testare neetichetate, clasificate și neformatate. Acest sistem AI de la Microsoft a făcut o mare explozie când a atins o acuratețe în înțelegerea lecturii și procesarea cuvintelor de până la 99,84% și, în același timp, capacitatea de simulare automată a vorbirii a fost, de asemenea, îmbunătățită la 11,7%. Mai impresionant, acest model avansat de învățare automată trebuie să utilizeze doar 200 de clipuri audio și transcripțiile corespunzătoare ca date de antrenament de intrare.

Cheia dezvoltării acestui model AI este Transformers, un tip de arhitectură neuronală construită de o echipă de oameni de știință de la Google Brain, brațul de cercetare AI al Google, și a fost introdus într-un articol aprofundat despre tehnologie în 2017. Ca toate rețelele neuronale profunde, Transformers conțin neuroni (funcții matematice care sunt „vag” modelate de neuronii biologici) sunt aranjate în straturi interconectate pentru a transmite „semnale” din datele de intrare și pentru a ajusta treptat puterea sinaptică - greutatea - a fiecărei conexiuni (care este modul în care modelele extrag caracteristicile și învață să a face predictii). Cu toate acestea, transformatoarele posedă și o caracteristică unică: fiecare element de ieșire va fi conectat la toate elementele de intrare, iar greutățile dintre ele sunt calculate extrem de flexibil.

• MIT se străduiește să dezvolte un model AI care poate conduce aproape ca un om

Din această realitate, cercetătorii Microsoft au continuat să încorporeze o componentă Transformer în designul sistemului lor AI, făcând posibilă primirea vorbirii sau textului ca date de intrare sau de ieșire. Iar cercetătorii au decis să ia sursa de date LJSpeech disponibilă public - care conține 13.100 de extrase audio în limba engleză și transcrierile corespunzătoare (transcrieri) - ca date de antrenament pentru sistemul AI. Apoi, echipa de cercetare a selectat aleatoriu 200 din cele 13.100 de fragmente audio menționate mai sus pentru a crea un set de date de antrenament și a profitat, de asemenea, de o componentă de codificare automată de dezgomot pentru a reconstrui datele. Structurile de vorbire și text sunt rupte.

Rezultatele nu sunt deloc rele. Privind fiecare fragment mic, cercetătorii au descoperit că a dat rezultate mai bune decât algoritmii de bază utilizați în teste. Și câteva dintre mostrele rezultate sună aproape ca și cum ar fi fost create de oameni.

De exemplu, propoziția: „formele literelor tipărite ar trebui să fie frumoase și aranjarea lor pe pagină să fie rezonabilă și să ajute la forma literelor în sine” ar fi citită după cum urmează:

Sau propoziția: „mai ales că nu mai este ocupat timp sau costuri suportate pentru turnarea sau tipărirea literelor frumoase”:

• Inteligența artificială japoneză a creat modele de modă virtuale super realiste

În continuare, obiectivul cercetătorilor este să depășească limitele tehnologiei de învățare nesupravegheată, valorificând pe deplin datele de text și vorbire neîmperecheate, cu ajutorul metodelor avansate. Sunt disponibile metode de pre-sapă. „Pentru această sarcină, am propus o abordare aproape nesupravegheată pentru text-to-speech și recunoașterea automată a vorbirii, care utilizează doar câteva date concatenate de text și vorbire concatenate și o cantitate mică de date suplimentare neconcatenate. După cum sa demonstrat în experimente, componentele noastre de proiectare vor fi esențiale pentru a dezvolta capacitatea de a converti vorbirea și textul cu unele date concatenate.

• Google lansează un imens depozit de date de instruire AI cu peste 5 milioane de fotografii cu 200.000 de repere din întreaga lume

Detaliile acestui proiect vor fi prezentate de Microsoft la Conferința internațională privind învățarea automată care va avea loc în Long Beach, California, în perioada 10-15 iunie, iar echipa de cercetare intenționează, de asemenea, să lanseze open source în săptămânile următoare.