Человечество сделало еще один шаг к неизбежной войне с машинами (которую мы проиграем), создав Vall-E, искусственный интеллект, разработанный группой исследователей из Microsoft, который может воспроизводить человеческий голос высокого качества всего за несколько секунд аудиоподготовки.

Vall-E — не первый голосовой инструмент на базе искусственного интеллекта — xVASynth, например, существует уже несколько лет, — но он обещает превзойти их все по своим возможностям. В статье, опубликованной в Корнельском университете (через Windows Central), исследователи Vall-E утверждают, что большинство современных систем преобразования текста в речь ограничены тем, что для точного синтеза высококачественной речи они полагаются на «высококачественные чистые данные».

«Большие данные, взятые из Интернета, не могут соответствовать этому требованию и всегда приводят к снижению производительности», — говорится в статье. «Поскольку обучающие данные относительно малы, существующие системы TTS по-прежнему страдают от плохой обобщенности. Сходство с диктором и естественность речи резко снижаются для невидимых дикторов в сценарии «нулевого выстрела».»

(«Сценарий нулевого выстрела» в данном случае означает способность ИИ воссоздавать голоса без специального обучения на них.)

С другой стороны, система Vall-E обучается на гораздо большем и более разнообразном наборе данных: 60 000 часов англоязычной речи, полученной от более чем 7000 уникальных дикторов, и все они расшифрованы программой распознавания речи. Данные, поступающие в ИИ, содержат «более шумную речь и неточные транскрипции», чем те, которые используются другими системами преобразования текста в речь, но исследователи считают, что масштаб исходных данных и их разнообразие делают ИИ гораздо более гибким, адаптируемым и, что самое главное, естественным, чем его предшественники.

«Результаты экспериментов показывают, что Vall-E значительно превосходит современную систему TTS с нулевым выстрелом по естественности речи и сходству с диктором», — говорится в статье, которая наполнена цифрами, уравнениями, диаграммами и другими подобными сложностями. «Кроме того, мы обнаружили, что VALL-E может сохранять эмоции диктора и акустическое окружение акустической подсказки при синтезе.»

Вы можете услышать Vall-E в действии на Github, где исследовательская группа поделилась кратким описанием того, как все это работает, а также десятками примеров входных и выходных данных. Качество варьируется: Некоторые голоса явно роботизированы, в то время как другие звучат вполне по-человечески. Но в качестве демонстрации первого прохода это впечатляет. Представьте себе, что будет с этой технологией через год, два или пять, когда системы улучшатся, а набор данных для обучения голосу еще больше расширится.

Именно поэтому это и является проблемой. Dall-E, генератор искусственного интеллекта, сталкивается с противодействием из-за проблем конфиденциальности и права собственности, а бот ChatGPT настолько убедителен, что недавно был запрещен Департаментом образования Нью-Йорка. Vall-E может вызвать еще большее беспокойство из-за возможного использования в мошеннических маркетинговых звонках или для усиления фейковых видео. Это может показаться немного тревожным, но, как сказал в начале года наш исполнительный редактор Тайлер Уайлд, эти вещи никуда не денутся, и жизненно важно, чтобы мы признавали проблемы и регулировали создание и использование систем ИИ до того, как потенциальные проблемы превратятся в реальные (и очень большие).

В заключении своей работы исследовательская группа Vall-E рассмотрела эти «более широкие последствия». «Поскольку VALL-E может синтезировать речь, сохраняя идентичность диктора, это может нести потенциальные риски неправильного использования модели, такие как подмена идентификации голоса или выдача себя за конкретного диктора», — пишет команда. «Чтобы снизить такие риски, можно построить модель обнаружения, позволяющую определить, был ли аудиоклип синтезирован VALL-E». Мы также будем применять принципы Microsoft AI на практике при дальнейшей разработке моделей.»

Источник: https://hitech-review.ru/