Сообщается, что новая языковая модель Microsoft Vall-E способна имитировать любой голос, используя всего лишь трехсекундную запись.
Недавно выпущенный инструмент искусственного интеллекта был протестирован на 60 000 часов английской речи. Исследователи в статье из Корнельского университета заявили, что он может воспроизводить эмоции и тон говорящего.
Эти результаты, по-видимому, были верны даже при создании записи слов, которые первоначальный говорящий никогда не произносил.
«Vall-E проявляет возможности обучения в контексте и может использоваться для синтеза высококачественная персонализированная речь с 3-секундной зарегистрированной записью невидимого говорящего в качестве акустической подсказки Результаты эксперимента показывают, что Vall-E значительно превосходит современную систему нулевого выстрела [текст в речь] с точки зрения естественности речи и схожести говорящих», — пишут авторы. «Кроме того, мы обнаружили, что Vall-E может сохранять эмоции говорящего и акустическую среду акустической подсказки в синтезе».
Сэмплы Vall-E, размещенные на GitHub, очень похожи. к подсказкам динамика, хотя качество их варьируется.
В одном синтезированном предложении из базы данных Emotional Voices Валл-И сонно произносит фразу: «Мы должны уменьшить количество пластиковых пакетов».
p>
Однако исследования в области преобразования текста в речь ИИ содержат предупреждение.
«Поскольку Vall-E может синтезировать речь, сохраняющую идентичность говорящего, она может нести потенциальные риски при неправильном использовании модели, например подмена голосовой идентификации или выдача себя за определенного говорящего», — сообщают исследователи на этой веб-странице. . «Мы провели эксперименты в предположении, что пользователь соглашается быть целевым говорящим в синтезе речи. Когда модель обобщается на невидимых говорящих в реальном мире, она должна включать протокол, гарантирующий, что говорящий одобряет использование своего голоса. и модель обнаружения синтезированной речи».
В настоящее время Vall-E, которую Microsoft называет «моделью языка нейронного кодека», недоступна для общественности.
p>
Джулия Мусто — репортер Fox News и Fox Business Digital.
