Amazon създаде AI система за обучение на изкуствени интелекти
Amazon оповестиха, че са основали нова AI система, която може да образова цифрови системи, сходни на Alexa, да заучават нови говорни стилове, и то за броени часове. Според завеждащия отдела по приложни науки към Amazon Тревър Ууд, новата система може да размени с лекост обичайния в този момент метод за образование на гласовите асистенти, при който артисти приказват с часове в съответен жанр (като да речем на представител в новинарска емисия), с цел да образова цифровия помощник.
„За потребителите, синтетичната тирада, възпроизвеждана от невронните мрежи звучи доста по-естествено, в сравнение с речта, постигана посредством конкатенативните способи, при които обособени къси речеви изрезки от аудио база данни биват обединявани един с други“, изяснява Ууд.
Amazon, които посочват новия способ „невронно предаване на текст към реч“ (neural text-to-speech) или NTTS, споделят, че два основни съставния елемент са определящи тук. Първият е генеративна невронна мрежа, която конвертира поредност от фонеми в поредност от спектограми, които на собствен ред съставляват образно изображение на спектъра на честотите на тези звуци, защото те се трансформират във времето. Самите спектограми акцентират характерности, които човешкият мозък употребява при обработката на тирада. Другият съставен елемент, акцентира Ууд, се назовава вокодер, който оказва помощ за обръщането на тези спектограми в непрестанен аудио сигнал, употребен за образование в „текст към реч“ модела.
От компанията са провели и проява пред аудитория, която е изразила ясно желанието си за NTTS пред обичайния способ, като част от хората са го сложили съвсем наедно с човешки читател на вести.
„За потребителите, синтетичната тирада, възпроизвеждана от невронните мрежи звучи доста по-естествено, в сравнение с речта, постигана посредством конкатенативните способи, при които обособени къси речеви изрезки от аудио база данни биват обединявани един с други“, изяснява Ууд.
Amazon, които посочват новия способ „невронно предаване на текст към реч“ (neural text-to-speech) или NTTS, споделят, че два основни съставния елемент са определящи тук. Първият е генеративна невронна мрежа, която конвертира поредност от фонеми в поредност от спектограми, които на собствен ред съставляват образно изображение на спектъра на честотите на тези звуци, защото те се трансформират във времето. Самите спектограми акцентират характерности, които човешкият мозък употребява при обработката на тирада. Другият съставен елемент, акцентира Ууд, се назовава вокодер, който оказва помощ за обръщането на тези спектограми в непрестанен аудио сигнал, употребен за образование в „текст към реч“ модела.
От компанията са провели и проява пред аудитория, която е изразила ясно желанието си за NTTS пред обичайния способ, като част от хората са го сложили съвсем наедно с човешки читател на вести.
Източник: kaldata.com
КОМЕНТАРИ