قابلیت‌های هوش مصنوعی Voicebox متا در تبدیل متن به صدا معرفی شد

قابلیت‌های مدل هوش مصنوعی متا Voicebox

هوش مصنوعی Voicebox می‌تواند متن را به صدا تبدیل کند و به زبان‌های خارجی حرف بزند

دامنه وسیع داده‌های ورودی به این سیستم کمک می‌کند تا صدا‌هایی بسازد که از نظر مکالمه‌ای طبیعی‌ترند. متا می‌گوید: «نتایج ما نشان می‌دهد مدل‌های تشخیص گفتاری که روی صدا‌های ساخته‌شده با Voicebox آموزش داده می‌شوند، تقریباً به‌خوبی مدل‌هایی عمل می‌کنند که با صدا‌های واقعی تعلیم داده شده باشند.» به‌علاوه، صدا‌هایی که توسط کامپیوتر تولید شدند، فقط با ۱ درصد خطای تنزل روبه‌رو بودند، درحالی‌که این نرخ برای سایر مدل‌های تبدیل متن به صدا (TTS) بین ۴۵ تا ۷۰ درصد است.

مدل هوش مصنوعی Voicebox می‌تواند صدا‌ها را ویرایش، نویز را از مکالمات حذف و حتی کلماتی را که اشتباه ادا شده باشند، تصحیح کند. محققان متا می‌گویند برای مثال کاربر می‌تواند تشخیص دهد که کدام بخش از فایل صوتی نویز دارد و بعد از هوش مصنوعی بخواهد تا آن بخش را دوباره تولید کند.

مدل Voicebox به‌لطف روش جدید تعلیم متا موسوم به «هماهنگ‌ساز جریان» (Flow Matching) نیازی به حجم بالایی از داده‌های ورودی ندارد. نتایج بنچمارک‌ها نشان می‌دهد که این هوش مصنوعی از نظر بروز خطا بسیار بهتر از بهترین سیستم‌های تبدیل متن به صدا عمل می‌کند (۱.۹ درصد در مقایسه با ۵.۹ درصد) و سرعت آن هم تا ۲۰ برابر سریع‌تر است.

بااین‌حال، مدل «ویس‌باکس» یا کد منبع آن در اختیار عموم قرار نمی‌گیرد. متا اذعان کرده است که با توجه به ریسک‌های احتمالی فعلاً قصدی برای عرضه عمومی این مدل ندارد. آن‌ها درحال‌حاضر صرفاً مقاله تحقیقاتی مقدماتی این مدل را منتشر کرده‌اند، اما امیدوارند که در آینده بتوانند از این فناوری برای کمک به افرادی که تار‌های صوتی‌شان دچار مشکل شده است، NPC‌های درون بازی‌ها و دستیار‌های صوتی استفاده کنند.

منبع: دیجیاتو