Искусственный интеллект Microsoft создает реалистичные голоса, используя всего 200 обучающих образцов

Современные алгоритмы преобразования текста в речь обладают удивительными возможностями. Самым ярким доказательством являются два инструмента с открытым исходным кодом под названием SpecAugment и Translatotron, недавно выпущенные Google. В частности, Транслатотрон может полностью перевести речь человека непосредственно на другой язык, сохраняя при этом тон и интонацию предложения. Однако творчество в технологиях безгранично и всегда есть место для более неординарных вещей.

• Система искусственного интеллекта Amazon помогает сократить количество ошибок распознавания голоса на Alexa на 15%.

Исследователи искусственного интеллекта из Microsoft недавно представили статью под названием «Почти неконтролируемое преобразование текста в речь и автоматическое распознавание речи», в которой подробно описана система ИИ, использующая обучение без учителя. из немаркированных, классифицированных и неформатированных тестовых данных. Эта система искусственного интеллекта от Microsoft произвела большой фурор, когда достигла точности понимания прочитанного и обработки текста до 99,84%, и в то же время способность автоматической симуляции речи также была улучшена до 11,7%. Еще более впечатляюще то, что этой продвинутой модели машинного обучения необходимо использовать всего 200 аудиоклипов и соответствующие транскрипции в качестве входных данных для обучения.

Ключом к разработке этой модели ИИ являются Трансформеры, тип нейронной архитектуры, созданный группой ученых из Google Brain, исследовательского подразделения Google в области искусственного интеллекта, и представленный в подробной технологической статье в 2017 году. Как и все глубокие нейронные сети, Трансформеры содержат нейроны (математические функции, которые «свободно» моделируются биологическими нейронами) организованы в взаимосвязанные слои для передачи «сигналов» из входных данных и постепенного регулирования синаптической силы — веса — каждого соединения (именно так модели извлекают особенности и учатся делать предсказания). Однако Трансформеры обладают и уникальной особенностью: каждый выходной элемент будет связан со всеми входными элементами, а веса между ними рассчитываются чрезвычайно гибко.

• MIT стремится разработать модель искусственного интеллекта, которая сможет водить машину почти как человек

Исходя из этой реальности, исследователи Microsoft приступили к включению компонента Transformer в свою систему искусственного интеллекта, позволяющего получать речь или текст в качестве входных или выходных данных. И в качестве обучающих данных для системы ИИ исследователи решили взять общедоступный источник данных LJSpeech — который содержит 13 100 аудиоотрывков на английском языке и соответствующие расшифровки (транскрипты). Затем исследовательская группа случайным образом выбрала 200 из 13 100 аудиофрагментов, упомянутых выше, для создания набора обучающих данных, а также воспользовалась компонентом автоматического шумоподавления для восстановления данных.Речевая и текстовая структуры были нарушены.

Результаты совсем неплохие. Просматривая каждый небольшой фрагмент, исследователи обнаружили, что он дает лучшие результаты, чем базовые алгоритмы, использованные в тестах. И некоторые из полученных сэмплов звучат так, будто они были созданы людьми.

Например, предложение: «формы печатных букв должны быть красивыми, а их расположение на странице должно быть разумным и способствовать стройности самих букв» можно было бы прочитать так:

Или предложение: «тем более, что больше не требуется времени или затрат на отливку оправы или печать красивых букв»:

• Японский искусственный интеллект создал суперреалистичные виртуальные манекенщицы

В дальнейшем цель исследователей — расширить границы технологии обучения без присмотра, полностью используя непарные текстовые и речевые данные с помощью передовых методов. «Для этой задачи мы предложили почти неконтролируемый подход к преобразованию текста в речь и автоматическому распознаванию речи, который использует только несколько объединенных текстовых и речевых данных, а также небольшое количество дополнительных несвязанных данных. Как показали эксперименты, наши компоненты проектирования будут необходимы для развития способности преобразовывать речь и текст с некоторыми объединенными данными.

• Google выпускает огромное хранилище данных для обучения искусственному интеллекту, содержащее более 5 миллионов фотографий 200 000 достопримечательностей по всему миру

Подробности этого проекта будут представлены Microsoft на Международной конференции по машинному обучению, проходящей в Лонг-Бич, Калифорния, с 10 по 15 июня, а исследовательская группа также планирует выпустить Open Source в ближайшие недели.