211service.com
Volto di robot, voce di angelo?
L'ultima volta che hai sentito un computer convertire una riga di testo in voce, probabilmente ha urtato. La divisione di apprendimento automatico di Google, DeepMind, ha sviluppato un nuovo sistema di sintesi vocale che utilizza l'intelligenza artificiale che ritiene migliorerà la situazione.
Avere un computer che genera il suono di una voce non è un'idea nuova. Forse l'approccio più comune consiste semplicemente nell'utilizzare una selezione incredibilmente ampia di frammenti di discorso preregistrati da una singola persona. In una tecnica chiamata sintesi concatenativa, questi vengono messi insieme per creare suoni, parole e frasi più grandi. Ecco perché molti discorsi generati dal computer spesso soffrono di difetti, strani cambiamenti nell'intonazione e pronuncia inciampa.
L'altro approccio concorrente utilizza modelli matematici per ricreare suoni noti che vengono poi assemblati in parole e frasi. Sebbene meno soggetto a problemi tecnici, questo cosiddetto approccio parametrico finisce per suonare robotico. Ciò che unisce i due approcci, tuttavia, è che entrambi uniscono pezzi di suono, piuttosto che creare l'intera forma d'onda audio da zero.
Questo, tuttavia, è esattamente ciò che fa l'approccio di DeepMind. Le reti neurali convoluzionali di WaveNet vengono insegnate alimentando loro clip di voci umane reali e le corrispondenti caratteristiche linguistiche e fonetiche in modo che possano identificare i modelli che li mettono in relazione. In uso, il sistema viene fornito con una nuova serie di caratteristiche sonore generate da una riga di testo; quindi tenta di creare l'onda sonora grezza per rappresentarla da zero. Lo fa in modo graduale, generando prima un campione dell'onda sonora, poi il successivo e il successivo, in ogni momento utilizzando le informazioni sui campioni che è già stato creato per aiutare a informarne uno nuovo.
I risultati sembrano convincenti— puoi ascoltarli tu stesso qui . Rispetto agli approcci concatenativi e parametrici, è notevolmente più simile all'uomo.
C'è, tuttavia, un problema: la tecnica richiede una tonnellata di potenza computazionale. Poiché WaveNet deve creare l'intera forma d'onda, deve utilizzare i suoi processi di rete neurale per generare 16.000 campioni per ogni secondo di audio che produce (e anche in questo caso, il suono è equivalente solo alla qualità del suono inviato tramite telefono o chiamate VoIP). Secondo una fonte di DeepMind che parlato con il Financial Times (paywall), ciò significa che per ora non verrà utilizzato in nessuno dei prodotti Google.
Tuttavia, non è l'unico problema linguistico che i computer devono affrontare. Interpretare il parlato e la parola scritta è notoriamente difficile anche per i sistemi di intelligenza artificiale. Almeno a questo ritmo, quando i computer saranno in grado di raccogliere i mezzi per generare riflessioni veramente intelligenti, saranno anche in grado di comunicarcele con uno svolazzo.
(Per saperne di più: Mente Profonda , Financial Times , Il problema della lingua dell'IA )