211service.com
Il laboratorio di intelligenza artificiale di Baidu presenta il sistema di sintesi vocale
Nella battaglia per applicare le tecniche di deep learning al mondo reale, un'azienda è al di sopra della concorrenza. La sussidiaria DeepMind di Google ha utilizzato la tecnica per creare macchine in grado di battere gli umani ai videogiochi e all'antico gioco di Go. E l'anno scorso, i servizi di Google Translate sono notevolmente migliorati grazie all'introduzione dietro le quinte di tecniche di deep learning.
Quindi è interessante vedere come le altre aziende stanno correndo per recuperare il ritardo. Oggi è il turno di Baidu, una società di ricerca su Internet che a volte viene descritta come l'equivalente cinese di Google. Nel 2013 Baidu ha aperto un laboratorio di ricerca sull'intelligenza artificiale nella Silicon Valley, sollevando una domanda interessante: che fine ha fatto?
Ora il laboratorio di intelligenza artificiale di Baidu ha rivelato il suo lavoro sulla sintesi vocale. Una delle sfide nella sintesi vocale è ridurre la quantità di messa a punto che avviene dietro le quinte. La grande svolta di Baidu è creare una macchina per l'apprendimento profondo che elimina in gran parte questo tipo di ingerenza. Il risultato è un sistema di sintesi vocale chiamato Deep Voice che può imparare a parlare in poche ore con poca o nessuna interferenza umana.
Prima un po' di background. I sistemi di sintesi vocale sono familiari nel mondo moderno nelle app di navigazione, negli orologi parlanti, nei sistemi di risposta telefonica e così via. Tradizionalmente questi sono stati creati registrando un ampio database di discorsi da un singolo individuo e quindi ricombinando le espressioni per creare nuove frasi.
Il problema con questi sistemi è che è difficile passare a un nuovo oratore o cambiare l'enfasi nelle loro parole senza registrare un database completamente nuovo. Quindi gli informatici hanno lavorato su un altro approccio. Il loro obiettivo è sintetizzare il parlato in tempo reale da zero come richiesto.
L'anno scorso, DeepMind di Google ha fatto un importante passo avanti in questo settore. Ha svelato una rete neurale che impara a parlare ascoltando le onde sonore dal discorso reale e confrontandolo con una trascrizione del testo. Dopo l'allenamento, è stato in grado di produrre un discorso sintetico basato sul testo che gli era stato dato. Google DeepMind ha chiamato il suo sistema WaveNet.
Il lavoro di Baidu è un miglioramento di WaveNet, che richiede ancora alcune modifiche durante il processo di formazione. WaveNet è anche impegnativo dal punto di vista computazionale, tanto che non è chiaro se potrebbe mai essere utilizzato per sintetizzare il parlato in tempo reale nel mondo reale.
Baidu dice di aver superato questi problemi. Il suo approccio è relativamente semplice. Utilizza tecniche di deep learning per convertire il testo nelle più piccole unità sonore percettivamente distinte, chiamate fenomeni. Utilizza quindi una rete di sintesi vocale per riprodurre questi suoni. La differenza fondamentale qui è che ogni fase del processo funziona tramite il deep learning, quindi, una volta addestrato, c'è poco bisogno di una messa a punto umana.
Prendi, ad esempio, la parola ciao. Il sistema di Baidu deve prima elaborare i confini del fenomeno nel modo seguente: (silenzio HH), (HH, EH), (EH, L), (L, OW), (OW, silenzio). Quindi li alimenta in un sistema di sintesi vocale, che pronuncia la parola.
Le uniche variabili che il nuovo sistema non controlla sono le sollecitazioni sui fonemi, la loro durata e la frequenza naturale del suono. Ciò consente a Baidu di cambiare la voce di chi parla e l'emozione che la parola trasmette.
Tutto questo è computazionalmente impegnativo. La frequenza di campionamento per un parlato realistico è nella regione di 48 kilohertz. Quindi un computer ha circa 20 microsecondi per generare ogni campione. Poiché il processo di creazione di questo suono coinvolge diversi livelli, ognuno di questi deve fare il suo lavoro in 1,5 microsecondi. Per contestualizzare, l'accesso a un valore che risiede nella memoria principale di una CPU può richiedere 0,1 microsecondi.
Per eseguire l'inferenza in tempo reale, dobbiamo fare molta attenzione a non ricalcolare mai alcun risultato, memorizzare l'intero modello nella cache del processore (al contrario della memoria principale) e utilizzare in modo ottimale le unità di calcolo disponibili, affermano i ricercatori di Baidu.
Tuttavia, affermano che la sintesi vocale in tempo reale è possibile con il loro sistema e l'hanno testata tramite il crowdsourcing delle percezioni su Mechanical Turk di Amazon. Ciò ha comportato la richiesta a un gran numero di ascoltatori di valutare la qualità dell'audio confrontandola con i dati di base nella forma di una registrazione umana originale.
Baidu dice che i risultati sono di alta qualità. Ottimizziamo l'inferenza a velocità più elevate del tempo reale, dimostrando che queste tecniche possono essere applicate per generare audio in tempo reale in modalità streaming, dicono.
Ma ancora più significativa è l'utilità del sistema, che può essere riqualificato rapidamente su set di dati completamente nuovi. Il nostro sistema è addestrabile senza alcun coinvolgimento umano, semplificando notevolmente il processo di creazione di sistemi di sintesi vocale, afferma il team.
Questo è un lavoro interessante che si basa sugli sforzi di Google per migliorare notevolmente i sistemi di sintesi vocale. Questo è importante perché il sogno vecchio di decenni degli scrittori di fantascienza è quello di poter parlare ai computer in tempo reale e che loro rispondano. La sintesi vocale è una parte importante di questo.
Ovviamente, è improbabile che DeepMind di Google (o chiunque altro nel mondo del deep learning) sia rimasto fermo mentre Baidu perfeziona il suo sistema di sintesi vocale. Sarà sicuramente solo questione di tempo prima di vedere cosa hanno combinato e come si confronta.
Rif: arxiv.org/abs/1702.07825 : Deep Voice: Sintesi vocale neurale in tempo reale