Amazon.com Inc. dokonało znaczącego przełomu w dziedzinie technologii przekształcania tekstu na mowę dzięki stworzeniu Base TTS. Ten innowacyjny model potrafi wymawiać słowa w sposób bardziej naturalny i ludzki niż kiedykolwiek wcześniej. Zespół badawczy Amazonu opisał architekturę i funkcjonalność Base TTS w niedawno opublikowanym artykule naukowym, ujawniając jego potencjał do zmiany sposobu, w jaki komunikujemy się z sztuczną inteligencją.
Jednym z niezwykłych aspektów Base TTS jest jego imponujący rozmiar. Z około 1 miliardem parametrów jest obecnie największą siecią neuronową w swojej kategorii. Tymi parametrami określa się, w jaki sposób sztuczna inteligencja przetwarza dane, a zwiększenie ich liczby pozwala modelowi wykonywać szerszy zakres zadań. Aby przeszkolić Base TTS, badacze wykorzystali obszerny zbiór danych audio pochodzący z publicznej sieci, zawierający niewiarygodne 100 000 godzin treści. Większość zbioru danych stanowią nagrania w języku angielskim, a pozostałe 10% to nagrania w innych językach.
Aby zapewnić optymalne szkolenie, dane audio podzielono na mniejsze pliki, z których każdy zawierał nie więcej niż 40 sekund mowy. Wyniki badania pokazują, jak model ewoluował, aby pokazywać naturalną prozodię, zwłaszcza w przypadku przetwarzania złożonych pod względem treści zdań. Base TTS składa się z dwóch oddzielnych modeli sztucznej inteligencji. Pierwszy model, oparty na architekturze Transformer, która napędza OpenAI GPT-4, przekształca wprowadzony przez użytkownika tekst na abstrakcyjne reprezentacje matematyczne znane jako speechcodes. Następnie te speechcodes są przetwarzane przez drugą sieć neuronową, która zamienia je w wysokiej jakości dźwiękowe wyjście.
Ponadto model Transformer w ramach Base TTS ma zdolność do znacznego poprawienia doświadczenia użytkownika poprzez eliminację zbędnych elementów, takich jak hałas w tle, oraz kompresję speechcodes w celu przyspieszenia przetwarzania. Końcowym rezultatem jest system płynnie tłumaczący tekst na spektrogramy – wizualne reprezentacje fal dźwiękowych, które można przekształcić w realistyczną mowę przy użyciu sztucznej inteligencji.
Poprzez rygorystyczną ocenę badacze Amazonu udowodnili, że Base TTS przewyższa swoich poprzedników pod względem jakości mowy i naturalności. Model nie tylko dokładnie wymawia słowa i symbole, ale także bez trudu radzi sobie z obcymi słowami i pytaniami w zdaniach w języku angielskim. Jest to imponujące osiągnięcie, biorąc pod uwagę, że model nie był specjalnie szkolony dla niektórych rodzajów zdań zawartych w zbiorze danych do oceny.
Base TTS ze strony Amazonu stanowi znaczący krok naprzód w dziedzinie technologii przekształcania tekstu na mowę. Jego zdolność do produkowania wysokiej jakości, naturalnie brzmiącego dźwięku ma ogromny potencjał dla różnych zastosowań, w tym asystentów głosowych, audiobooków i narzędzi dostępności. W miarę jak Amazon nadal będzie inwestować i doskonalić tę technologię, możemy oczekiwać coraz bardziej wciągających i ludzkich interakcji z systemami opartymi na sztucznej inteligencji w niedalekiej przyszłości.
FAQ
The source of the article is from the blog karacasanime.com.ve