Генеративниот
модел на вештачка интелигенција VALL-E на Мајкрософт го претвора текстот во
говор. Користи методи добиени од големи јазични модели.
Системите за
текст во говор неодамна станаа помоќни благодарение на невронските мрежи. Во
аудио синтезата, тие ги претвораат фонемите во спектрограми, ги обработуваат во
нивната мрежа и потоа ги генерираат конечните бранови форми.
За обука, сегашните
модели обично бараат висококвалитетни снимки. Снимките со низок квалитет
собрани од Интернет доведуваат до лоши резултати.
Понатаму,
квалитетот на генерираниот говор значително се намалува за говорниците кои не
се дел од збирот на податоци за обука. За да се подобрат перформансите во такви
сценарија со нула снимка, истражувачите користат методи како прилагодување на
звучникот или кодирање на звучниците. Тие бараат дополнително дотерување или
разни претходно дизајнирани функции.
Microsoft
VALL-E учи од GPT-3 & Co.
Истражувачите
од Мајкрософт сега демонстрираат VALL-E, модел на текст во говор заснован на
успешниот рецепт на големи јазични модели. „Наместо да се дизајнира сложена и
специфична мрежа за овој проблем, крајното решение е да се обучи модел со
големи и разновидни податоци колку што е можно повеќе“, се вели во трудот.
VALL-E беше
обучен со 60.000 часа англиски говор од 7.000 говорници. Според тимот, тоа е
повеќе од 100 пати повеќе од количината на податоци што претходно биле
користени на терен. Мајкрософт ја користи огромната база на податоци
LibriLight, која тимот ја препиша со вештачка интелигенција.