Googles automatiska komplettering för tal kan dölja fel i videosamtal

Kategori: Artificiell intelligens Postad 06 apr

Nyheterna: Eftersom många av oss nu förlitar sig på videosamtal för att interagera ansikte mot ansikte är hackiga kontakter mer frustrerande än någonsin. En artificiell intelligens som efterliknar en enskild talares sätt att prata kan släta över sprickorna genom att fylla i små luckor med fragment av genererat tal. Tekniken har utvecklats av ett team på Google och används nu i Googles app för videosamtal Duo .

Vad är problemet? När du är i ett onlinesamtal hackas din röst upp i massor av små bitar som zippas över internet i datablock som kallas paket. Paketen anländer ofta till den andra änden och mjukvaran måste ordna om dem. Men ibland kommer inte paket fram alls, vilket skapar brister och luckor i en konversation. Detta händer i bästa fall. Enligt Google måste 99 % av Duo-samtal hantera ihophopade eller förlorade paket. En tiondel av dessa samtal förlorar mer än 8 % av sitt ljud.

Generera tal: För att åtgärda problemet byggde teamet på ett neuralt nätverk utvecklat av DeepMind som kan generera realistiskt tal från text . Kallas WaveNetEQ, det nya neurala nätverket tränades sedan på en stor datauppsättning av 100 inspelade mänskliga röster som talar 48 olika språk tills det kunde autokomplettera korta avsnitt av tal baserat på vanliga mönster i hur människor pratar. Eftersom Duo är end-to-end-krypterad körs AI på enheten, inte molnet. Under ett samtal kan WaveNetEQ lära sig egenskaperna hos en högtalares röst och genererar ljudavsnitt som matchar både stilen och innehållet i vad högtalaren säger. När ett paket går förlorat, infogas den AI-genererade rösten på dess plats.

För närvarande kan AI bara generera stavelser snarare än hela ord eller fraser. Men kort exempel som Google lagt upp online visa att resultaten kan vara ganska verklighetstrogna. I ett fall ersätter AI den andra stavelsen i ordet problem i en röst som efterliknar den manliga högtalaren exakt.