Πριν ένα χρόνο το σύστημα WaveNet της Google είχε φέρει την τεχνητή και μηχανική ομιλία σε πρωτοποριακά επίπεδα. Λίγο πριν κλείσει το 2017 η Google ανακοίνωσε ένα νέο σύστημα που μετατρέπει κείμενο σε ομιλία με μια τεχνητή φωνή που πολύ δύσκολα ξεχωρίζει από ανθρώπινη.
Η Google πρωτοπορεί με ένα ολοκαίνουργιο σύστημα μετατροπής κειμένου σε ομιλία το οποίο ονομάζει Tacotron 2 και λειτουργεί με εκπληκτική ακρίβεια, παρέχοντας φωνητικές αφηγήσεις που δεν διακρίνονται από τη φωνή ενός πραγματικού ανθρώπου. Και δεν για υπερβολή: Το Tacotron 2 τεχνολογία δεύτερης γενιάς και αποτελείται από δύο βαθιά νευρωνικά δίκτυα, ένα που μετατρέπει το κείμενο σε ένα ειδικό φασματογράφημα (όπως αυτό που βλέπετε στην εικόνα παρακάτω) και ένα δεύτερο, το WaveNet, που διαβάζει αυτό το γράφημα και το ερμηνεύει σε μια πραγματική φωνή.
Το σύστημα μέχρι σήμερα είναι εκπαιδευμένο να εργάζεται μόνο στα αγγλικά με τη μία θηλυκή φωνή που μπορείτε να ακούσετε στα δείγματα που βρίσκονται στο σύνδεσμο παρακάτω. Το εκπληκτικό όμως δεν είναι ότι μπορεί να διαβάσει με τέλεια προφορά (η οποία δεν ξεχωρίζει από την ανθρώπινη), αλλά ότι είναι σε θέση να τονίζει τις αποχρώσεις σε μια πρόταση. Επίσης, αν μια συγκεκριμένη λέξη είναι γραμμένη με κεφαλαία, θα της προσθέσει μια έμφαση στον τρόπο απόδοσής της, ενώ εάν προσπαθήσει να διαβάζει μια πρόταση που έχει γραφτεί με μοντέρνο τρόπο, θα την καταλάβει και θα τη διαβάσει, αφού το σύστημα αυτό είναι σε θέση να αντιμετωπίσει και μια μικρή (ακόμα) ποσότητα τυπογραφικών λαθών ή μοντέρνας έκφρασης.
Το νέο σύστημα, με κανένα τρόπο, δεν ακούγεται ρομποτικό ή ψηφιοποιημένο και μπορεί να πει τη σωστή προφορά δύο ίδιων γραμμένων λέξεων ανάλογα με τη σημασία τους στην πρόταση.
Μια πλήρης περιγραφή του νέου συστήματος της Google μπορεί να βρεθεί στην εργασία «Natural TTS Synthesis by Conditioning WaveNet on Mel Spectrogram Predictions.» Χρησιμοποιώντας ένα μοντέλο ακολουθιών το Tacotron 2 χαρτογραφεί την ακολουθία των γραμμάτων σε μια σειρά χαρακτηριστικών που κωδικοποιούν τον ήχο. Όλα αυτά τα χαρακτηριστικά, δημιουργούν ένα 80-διάστατο φασματογράφημα ήχου, χωρισμένο σε καρέ που υπολογίζονται κάθε 12,5 χιλιοστά του δευτερολέπτου, τα οποία καταγράφουν όχι μόνο την προφορά λέξεων αλλά και διάφορες λεπτές αποχρώσεις της ανθρώπινης ομιλίας, συμπεριλαμβανομένου του όγκου, της ταχύτητας και του ήχου. Τέλος, αυτά τα χαρακτηριστικά μετατρέπονται σε μια κυματομορφή 24 kHz χρησιμοποιώντας την αρχιτεκτονική του συστήματος WaveNet.
Σε αντίθεση με ορισμένες βασικές έρευνες AI που κάνει η εταιρεία, αυτή η τεχνολογία είναι άμεσα χρήσιμη για την Google. Το WaveNet, που ανακοινώθηκε για πρώτη φορά το 2016, χρησιμοποιείται τώρα για τη δημιουργία της φωνής στο Google Assistant. Μόλις προετοιμαστεί για παραγωγή, το Tacotron 2 θα μπορούσε να είναι μια ακόμη πιο ισχυρή προσθήκη στην υπηρεσία.
Ωστόσο, το σύστημα έχει «εκπαιδευτεί» για να μιμείται μόνο τη συγκεκριμένη θηλυκή φωνή. Για να μιλήσει σαν άνδρας ή κάποια άλλη γυναίκα, η Google θα πρέπει να εκπαιδεύσει ξανά το σύστημα απο την αρχή.
Εδώ μπορείτε να ακούσετε τα φανταστικά δείγματα της νέας τεχνητής φωνής της Google σε σύγκριση με τα πραγματικά δείγματα πάνω στα οποία εκπαιδεύτηκε.
σχόλια