AI ของ Microsoft ใช้เวลาสามวินาทีในการเลียนแบบเสียงของใครก็ตาม

Vall-E ซึ่งเป็น AI ที่สร้างโดย Microsoft สามารถเลียนแบบน้ำเสียงและคำพูดของคนจริงๆ ได้โดยการฟังเสียงของพวกเขาเป็นเวลาสามวินาที แม้ว่าจะยังคงเสียงเหมือนเสียงหุ่นยนต์อยู่บ้างก็ตาม

AI Val-E ของไมโครซอฟต์ ภาพประกอบ: VallE-Demo

ระบบ AI จาก Microsoft นี้เรียกว่า "โมเดลภาษาโคเดกประสาท" ตัวแปลงสัญญาณเป็นเครื่องมือที่ใช้อัลกอริธึมในการประมวลผลวิดีโอและจัดเก็บไว้ในสตรีมไบต์ ไฟล์เสียงหรือวิดีโอจะถูกย่อให้เล็กลงแล้วขยายขนาดเพื่อวัตถุประสงค์ต่างๆ

Vall-E สร้างขึ้นโดย Microsoft บนแพลตฟอร์ม EnCodec ซึ่งเป็นตัวแปลงสัญญาณเสียงโดยใช้เทคนิคการเรียนรู้ของเครื่องที่พัฒนาโดย Meta ในปี 2022 Vall-E สร้างตัวแปลงสัญญาณเสียงที่เป็นเอกลักษณ์โดยจับและวิเคราะห์เสียงของแต่ละคน จากนั้นข้อมูลจะถูกแบ่งออกเป็นส่วนที่เรียกว่า "โทเค็น" ผ่าน EnCodec ซึ่งแตกต่างจากวิธีแปลงข้อความเป็นคำพูดก่อนหน้านี้ ซึ่งโดยปกติจะอยู่ในรูปแบบคลื่น

จากนั้น Vall-E จะใช้ข้อมูลการฝึกอบรมเพื่อจับคู่สิ่งที่ "รู้" เกี่ยวกับน้ำเสียงของคำพูด จึงสามารถพูดวลีอื่นๆ ตามสิ่งที่ "เรียนรู้" ได้

กระบวนการเลียนแบบคำพูดทั้งหมดนี้เสร็จสิ้นภายในสามวินาที - ไม่เคยทำได้มาก่อนด้วยระบบ AI เลียนแบบภาษาใด ๆ ในปัจจุบัน

Microsoft ใช้ห้องสมุดที่ประกอบด้วยชั่วโมงการพูดภาษาอังกฤษ 60,000 ชั่วโมงจากผู้คนมากกว่า 7,000 คนในการฝึกอบรม Vall-E ห้องสมุดนี้จะถูกเพิ่มเมื่อเวลาผ่านไปและในภาษาอื่น ๆ

Microsoft หวังว่า Vall-E จะถูกนำไปใช้กับซอฟต์แวร์แปลงข้อความเป็นคำพูดคุณภาพสูง

อย่างไรก็ตาม Vall-E ทำให้ผู้เชี่ยวชาญกังวลว่าอาจถูกนำไปใช้เพื่อวัตถุประสงค์ที่เป็นอันตราย คนร้ายสามารถใช้ AI นี้เพื่อแอบอ้างเสียงเพื่อจุดประสงค์ในการฉ้อโกงและขู่กรรโชก หากรวม AI นี้เข้ากับวิดีโอ Deepfake ระดับความอันตรายอาจทวีคูณได้หลายเท่า