Face of a Robot, Voice of an Angel?

Förra gången du hörde en dator omvandla en textrad till tal, blev den förmodligen skuren. Googles maskininlärningsavdelning, DeepMind, har utvecklat ett nytt röstsyntessystem som använder artificiell intelligens som man tror kommer att förbättra situationen.

Att låta en dator generera ljudet av en röst är inte en ny idé. Det kanske vanligaste tillvägagångssättet är helt enkelt att använda ett otroligt stort urval av förinspelade talfragment från en enda person. I en teknik som kallas konkatenativ syntes, sätts dessa ihop för att skapa större ljud, ord och meningar. Det är därför mycket datorgenererat tal ofta lider av fel, konstiga förändringar i intonationen och uttalet snubblar.

Den andra konkurrerande metoden använder matematiska modeller för att återskapa kända ljud som sedan sätts samman till ord och meningar. Även om den är mindre benägen för problem, låter den här så kallade parametriska metoden robotisk. Det som förenar de två tillvägagångssätten är dock att de båda syr ihop ljudbitar, snarare än att skapa hela ljudvågformen från början.

Det är dock precis vad DeepMinds tillvägagångssätt gör. WaveNets konvolutionella neurala nätverk lärs ut genom att mata dem med klipp av verkliga mänskliga röster och motsvarande språkliga och fonetiska egenskaper så att de kan identifiera mönster som relaterar de två. Vid användning levereras systemet med en ny rad ljudfunktioner som genereras från en textrad; sedan försöker den skapa den råa ljudvågen för att representera den från grunden. Den gör detta stegvis, genererar först ett sampel av ljudvågen, sedan nästa och nästa - vid varje punkt med hjälp av information om de samplingar som den redan har skapat för att informera om en ny.

Resultaten låter övertygande - du kan lyssna på dem själv här . Jämfört med de konkatenativa och parametriska tillvägagångssätten är det märkbart mer mänskligt.

Det finns dock en hake: tekniken kräver massor av beräkningshästkrafter. Eftersom WaveNet måste skapa hela vågformen måste det använda sina neurala nätverksprocesser för att generera 16 000 sampel för varje sekund av ljud det producerar (och även då motsvarar ljudet bara kvaliteten på ljudet som skickas via telefon- eller VoIP-samtal). Enligt en DeepMind-källa som talade med Ekonomiska tider (betalvägg), det betyder att den inte kommer att användas i någon av Googles produkter för närvarande.

Ändå är det inte det enda språkproblem som datorer möter. Att tolka tal och det skrivna ordet är notoriskt svårt även för system med artificiell intelligens. Åtminstone i den här takten när datorer kan samla resurser för att generera verkligt intelligenta funderingar, kommer de också att kunna kommunicera dem till oss med en blomstrande känsla.

(Läs mer: DeepMind , Ekonomiska tider , AI:s språkproblem)

Dölj