Microsoftun yapay zekası yalnızca 200 eğitim örneğiyle gerçekçi sesler yaratıyor

Modern metin-konuşma algoritmaları şaşırtıcı yeteneklere sahiptir. Bunun en açık kanıtı, Google'ın yakın zamanda piyasaya sürdüğü SpecAugment ve Translatotron adlı iki açık kaynak araç. Özellikle Translatotron, cümlenin tonunu ve tonlamasını korurken bir kişinin konuşmasını doğrudan başka bir dile tamamen çevirebilir. Ancak teknolojide yaratıcılık sınırsızdır ve her zaman daha sıra dışı şeylere yer vardır.

• Amazon'un yapay zeka sistemi, Alexa'daki ses tanıma hatalarının %15 oranında azaltılmasına yardımcı oluyor.

Microsoft'taki yapay zeka araştırmacıları kısa süre önce, denetimsiz öğrenmeyi güçlendiren bir yapay zeka sistemini ayrıntılarıyla anlatan "Neredeyse Denetimsiz Metin Okuma ve Otomatik Konuşma Tanıma" başlıklı bir makale sundular. Denetimsiz öğrenme - makine öğrenimi teknolojisinin bir dalı, yapay zekanın bilgi öğrenme yeteneğine sahip olmasına yardımcı olur etiketlenmemiş, sınıflandırılmış ve formatlanmamış test verilerinden. Microsoft'un bu yapay zeka sistemi, okuduğunu anlama ve kelime işlemede %99,84'e varan doğruluk elde ederek büyük bir sıçrama yaptı ve aynı zamanda otomatik konuşma simülasyonu yeteneği de %11,7'ye yükseltildi. Daha etkileyici bir şekilde, bu gelişmiş makine öğrenimi modelinin, giriş eğitimi verileri olarak yalnızca 200 ses klibini ve karşılık gelen transkripsiyonları kullanması yeterlidir.

Bu yapay zeka modelini geliştirmenin anahtarı, Google'ın yapay zeka araştırma kolu olan Google Brain'deki bilim adamlarından oluşan bir ekip tarafından oluşturulan ve 2017 yılında ayrıntılı bir teknoloji makalesinde tanıtılan bir tür sinir mimarisi olan Transformers'tır. Tüm derin sinir ağları gibi, Transformers da nöronlar içerir (biyolojik nöronlar tarafından "gevşek" bir şekilde modellenen matematiksel işlevler), giriş verilerinden "sinyaller" iletmek ve her bağlantının sinaptik gücünü - ağırlığını - kademeli olarak ayarlamak için birbirine bağlı katmanlar halinde düzenlenir (modeller bu şekilde özellikleri çıkarır ve öğrenmeyi öğrenir). tahminlerde bulunun). Ancak Transformatörlerin benzersiz bir özelliği de vardır: Her çıkış elemanı tüm giriş elemanlarına bağlanacak ve aralarındaki ağırlıklar son derece esnek bir şekilde hesaplanacaktır.

• MIT neredeyse insan gibi hareket edebilen bir yapay zeka modeli geliştirmeye çalışıyor

Bu gerçeklikten hareketle Microsoft araştırmacıları, yapay zeka sistem tasarımlarına bir Transformer bileşeni dahil ederek, giriş veya çıkış verileri olarak konuşma veya metin almayı mümkün kıldı. Ve araştırmacılar, 13.100 İngilizce ses alıntısı ve ilgili transkriptleri (transkriptleri) içeren, halka açık LJSpeech veri kaynağını AI sistemi için eğitim verileri olarak almaya karar verdiler. Daha sonra araştırma ekibi, bir eğitim veri seti oluşturmak için yukarıda bahsedilen 13.100 ses alıntısından 200'ünü rastgele seçti ve ayrıca verileri yeniden oluşturmak için otomatik gürültü giderme kodlama bileşeninden de yararlandı.Konuşma ve metin yapıları bozuldu.

Sonuçlar hiç de kötü değil. Araştırmacılar, her küçük parçacığa bakarak bunun testlerde kullanılan temel algoritmalardan daha iyi sonuçlar verdiğini buldu. Ve ortaya çıkan örneklerden birkaçı, neredeyse insanlar tarafından yaratılmış gibi görünüyor.

Örneğin, "Basılı harflerin şekilleri güzel olmalı, sayfadaki düzeni makul olmalı ve harflerin şekline uygun olmalıdır" cümlesi şu şekilde okunur:

Veya şu cümle: "Özellikle güzel harflerin dökümünü yapmak veya basmak için daha fazla zaman harcanmadığı veya masraf yapılmadığı için":

• Japon yapay zekası süper gerçekçi sanal moda modelleri yarattı

İleriye yönelik olarak araştırmacıların hedefi, gelişmiş yöntemlerin yardımıyla eşleştirilmemiş metin ve konuşma verilerinden tam anlamıyla yararlanarak denetimsiz öğrenme teknolojisinin sınırlarını zorlamak. "Bu görev için, yalnızca birkaç birleştirilmiş metin ve birleştirilmiş konuşma verisi ve az miktarda ek birleştirilmemiş veri kullanan, metinden konuşmaya ve otomatik konuşma tanımaya yönelik neredeyse denetimsiz bir yaklaşım önerdik. Deneylerde gösterildiği gibi, tasarım bileşenlerimiz, birleştirilmiş bazı verilerle konuşmayı ve metni dönüştürme yeteneğini geliştirmek için gerekli olacaktır.

• Google, dünya çapında 200.000 önemli noktaya ait 5 milyondan fazla fotoğrafın yer aldığı devasa bir AI eğitim veri ambarını kullanıma sunuyor

Bu projenin ayrıntıları Microsoft tarafından 10-15 Haziran tarihleri ​​arasında Long Beach, California'da gerçekleşecek Uluslararası Makine Öğrenimi Konferansında sunulacak ve araştırma ekibi ayrıca önümüzdeki haftalarda açık kaynak sürümünü yayınlamayı planlıyor.