Microsoft tarafından oluşturulan bir yapay zeka olan Vall-E, gerçek insanların sesini üç saniye boyunca dinleyerek tonunu ve konuşmasını taklit edebilir, ancak yine de biraz robot sesine benzeyecektir.

Microsoft'un AI Vall-E'si. İllüstrasyon fotoğrafı: VallE-Demo.
Microsoft'un bu yapay zeka sistemine "Nöral codec dil modeli" adı veriliyor. Codec, videoyu işlemek ve onu bir bayt akışında depolamak için algoritmalar kullanan bir araçtır. Ses veya video dosyaları küçültülür ve çeşitli amaçlarla sıkıştırılmış hali açılır.
Vall-E, Microsoft tarafından 2022 yılında Meta tarafından geliştirilen makine öğrenimi tekniklerini kullanan bir ses codec'i olan EnCodec platformu üzerinde oluşturuldu. Vall-E, her kişinin sesini yakalayıp analiz ederek benzersiz ses codec bileşenleri oluşturur, ardından bilgiler EnCodec aracılığıyla "belirteç" adı verilen parçalara bölünür. Bu, genellikle dalga biçiminde olan önceki metinden konuşmaya yöntemlerinden farklıdır.
Vall-E daha sonra eğitim verilerini konuşma tonlaması hakkında "bildiği" şeyleri eşleştirmek için kullanıyor, böylece "öğrendiklerine" göre diğer ifadeleri söyleyebiliyor.
Tüm bu konuşma taklidi süreci üç saniyede gerçekleştirilir; bu, günümüzde herhangi bir dil taklidi yapay zeka sistemi tarafından daha önce hiç başarılmamış bir durumdur.
Microsoft, Vall-E'yi eğitmek için 7.000'den fazla kişinin 60.000 saatlik İngilizce konuşmasını içeren bir kütüphane kullanıyor. Bu kütüphane zamanla ve daha fazla dilde eklenecektir.
Microsoft, Vall-E'nin yüksek kaliteli metinden konuşmaya yazılımında uygulanacağını umuyor.
Ancak Vall-E, uzmanların bunun kötü amaçlarla kullanılabileceği endişesini uyandırıyor. Bu yapay zeka, kötü adamlar tarafından dolandırıcılık ve gasp amacıyla sesleri taklit etmek için kullanılabilir. Bu yapay zeka deepfake videolarla birleştirilirse tehlike düzeyi kat kat artabilir.