Нов изкуствен интелект на Microsoft може да клонира глас от три секунди аудио
Microsoft заяви, че неговият нов изкуствен интелект за превръщане на текст в диалект може да клонира глас, звук и всичко останало от трисекунден откъс от аудио. Неговото име е VALL-E, а технологията, която стои зад системата, Microsoft нарича „ езиков модел на невронни кодеци “. Тя е комплицирана, макар че на процедура потреблението на системата наподобява извънредно просто.
Разбира се, към този момент съществуват доста приложения за синтез на тирада. Повечето новинарски уеб сайтове, оферират услуги за диктовка, задвижвани от машина, а говорещи асистенти като Siri и Alexa са извънредно известни.
-->
Повечето съществуващи стратегии за генериране на тирада обаче изискват огромно количество въведени данни. Освен това гласовете на AI не могат да звучат изключително човешки, най-много заради обстоятелството, че прочувственият звук и дребните инфлексии са необикновено комплицирани за предаване.
Според основателите си VALL-E има редица приложения, а системата за езиково моделиране GPT-3 на OpenAI – технология, която Microsoft, съгласно своята безусловно голяма инвестиция в OpenAI е вложил доста запаси и към този момент работи в няколко продукта.
Теоретично, посредством съчетание на VALL-E и GPT-3 – две мощни елементи от технология, ръководена от изкуствен интелект – бихте могли да съчетаете един звук действително звучащо, правдоподобно наличие, невероятно бързо. Според критиците подправените и подвеждащи звукови байтове са проблем тук - в края на краищата, в случай че имате потребност единствено от три секунди аудио, теоретично бихте могли да употребявате всичко - от изявление със звезда до история на същински човек в Instagram, с цел да се представяте за някого.
Въпреки това от Microsoft изясняват, че се въздържат - най-малко към този момент - да създадат кода отворен заради " евентуални опасности при корист с модела ". Те също по този начин настояват, че работят върху включването на някакъв тип система, която открива дали аудиото е основано благодарение на VALL-E.
Разбира се, към този момент съществуват доста приложения за синтез на тирада. Повечето новинарски уеб сайтове, оферират услуги за диктовка, задвижвани от машина, а говорещи асистенти като Siri и Alexa са извънредно известни.
-->
Повечето съществуващи стратегии за генериране на тирада обаче изискват огромно количество въведени данни. Освен това гласовете на AI не могат да звучат изключително човешки, най-много заради обстоятелството, че прочувственият звук и дребните инфлексии са необикновено комплицирани за предаване.
Според основателите си VALL-E има редица приложения, а системата за езиково моделиране GPT-3 на OpenAI – технология, която Microsoft, съгласно своята безусловно голяма инвестиция в OpenAI е вложил доста запаси и към този момент работи в няколко продукта.
Теоретично, посредством съчетание на VALL-E и GPT-3 – две мощни елементи от технология, ръководена от изкуствен интелект – бихте могли да съчетаете един звук действително звучащо, правдоподобно наличие, невероятно бързо. Според критиците подправените и подвеждащи звукови байтове са проблем тук - в края на краищата, в случай че имате потребност единствено от три секунди аудио, теоретично бихте могли да употребявате всичко - от изявление със звезда до история на същински човек в Instagram, с цел да се представяте за някого.
Въпреки това от Microsoft изясняват, че се въздържат - най-малко към този момент - да създадат кода отворен заради " евентуални опасности при корист с модела ". Те също по този начин настояват, че работят върху включването на някакъв тип система, която открива дали аудиото е основано благодарение на VALL-E.
Източник: standartnews.com
КОМЕНТАРИ