ربات جدید مایکروسافت هر صدایی را تقلید می کند
به گزارش شاه بلاگ، ربات هوش مصنوعی جدید تبدیل متن به صدای شرکت مایکروسافت معروف به VALL-E تنها با ۳ ثانیه گوش سپردن به صدای شخص می تواند آنرا به خوبی تقلید کند و حتی می تواند احساسات گوینده را هم حفظ کند.
به گزارش شاه بلاگ به نقل از ایسنا، مایکروسافت جدید ترین پژوهش های خویش را در زمینه تبدیل متن به گفتار با مدلی به نام VALL-E نشان داده است که می تواند صدای افراد را تنها از یک نمونه صوتی سه ثانیه ای شبیه سازی کند.
پژوهشگران شرکت مایکروسافت این مدل چشم گیر جدید هوش مصنوعی تبدیل متن به گفتار را به نحوی طراحی نموده اند که می تواند فقط چند ثانیه به یک صدا گوش دهد، سپس آن صدا را تقلید کند و هرچه کاربر دوست دارد، بگوید.
گفتار نه تنها می تواند با صدای گوینده، بلکه با لحن احساسی وی و حتی آکوستیک یک اتاق همخوانی داشته باشد.
مایکروسافت می گوید، روزی میتوان از این ربات برای برنامه های کاربردی تبدیل متن به گفتار سفارشی یا پیشرفته استفاده کرد، باآنکه مانند فناوری دیپ فیک(جعل عمیق)، خطر سوءاستفاده را هم به همراه دارد.
ربات هوش مصنوعی VALL-E چیزی است که مایکروسافت آنرا «مدل زبان عصبی کدک»(neural codec language model) می نامد که از شبکه فشرده سازی عصبی شرکت «متا» معروف به Encodec مشتق شده است که صدا را از ورودی متن و نمونه های کوتاه از بلندگوی هدف تولید می کند.
پژوهشگران در مقاله ای، نحوه آموزش دیدن VALL-E را با ۶۰ هزار ساعت گفتار انگلیسی از بیشتر از ۷۰۰۰ سخنران در کتابخانه صوتی LibriLight متا شرح داده اند. صدایی که این ربات تلاش می کند تقلید کند باید با صدای داده های آموزشی مطابقت داشته باشد.
این گروه دقیقا نشان داده است که این کار توسط VALL-E چقدر خوب صورت می گیرد. ازاین رو برای هر عبارتی که می خواهید هوش مصنوعی آنرا بگوید، یک پیام سه ثانیه ای از گوینده برای تقلید کافی است.
البته نتایج کار این ربات هم اکنون، ترکیبی است و بعضی از آنها شبیه به صدای ماشینی و برخی دیگر به طرز شگفت آوری واقعی هستند.
این حقیقت که VALL-E لحن احساسی نمونه های اصلی را حفظ می نماید، نکته برجسته آن است. همینطور کاملاً با محیط آکوستیک مطابقت دارد، ازاین رو اگر گوینده صدای خویش را در سالن پژواک ضبط کند، خروجی VALL-E هم به نظر می آید که از همان مکان آمده است.
کار Vall-E در تقلید لهجه ها هم خیلی خوب است و حداقل لهجه های آمریکایی، بریتانیایی و چند لهجه اروپایی را به خوبی تقلید می کند.
مایکروسافت برای بهبود این مدل می خواهد داده های آموزشی خویش را «برای بهبود عملکرد مدل در قواعد زبانی، سبک گفتاری و شباهت به صدای سخنران» افزایش دهد. همینطور درحال بررسی راه هایی برای کاهش کلماتی است که نامفهوم یا فراموش شده اند.
نتایج این نوع فناوری کاملاً واضح است. از جنبه مثبت میتوان این گونه در نظر گرفت که کاربران می توانند از این ربات بخواهند مثلاً فهرست خرید آنها را با صدای هنرپیشگان و صداپیشگان مشهور برایشان بخواند. یا اگر بازیگری در نیمه راه فیلمبرداری یک فیلم فوت کند، میتوان با استفاده از این تکنولوژی و جلوه های ویژه پروژه را پایان رساند.
اما جنبه منفی آن هم اینست که خبر خوبی برای صداپیشه ها و گویندگان نیست، چون که هوش مصنوعی امکان دارد بتواند گویندگی را به سرعت و بسیار ارزان انجام دهد، اما خب نمی توان انتظار زیادی از آن داشت تا چندان هنرمندانه باشد.
پتانسیل کلاهبرداری با این فناوری هم بسیار بالاست. اگر یک کلاهبردار بتواند برای سه ثانیه با شما تلفنی صحبت کند، می تواند صدای شما را بدزدد و با آن با خویشاوندانتان تماس بگیرد یا با آن میتوان هر دستگاه امنیتی تشخیص صدا را دور زد.
مایکروسافت احتمالا به علت خطرات ذاتی این ربات هوش مصنوعی که می تواند کلمات دلخواه را در دهان شخص دیگری بگذارد، کد آنرا به صورت منبع باز قرار نداده است، چون که از آنجاییکه VALL-E می تواند گفتار را به صورتی ترکیب کند که هویت گوینده را تقلید کند، امکان دارد خطرات بالقوه ای در استفاده نادرست، مانند جعل صدا یا جعل هویت داشته باشد.
این الگوریتم جدید نمونه ای از خیلی از الگوریتم های هوش مصنوعی است که می تواند صدای ضبط شده یک فرد را تقلید کند و کلمات و جملاتی را بیان کند که شخص مورد نظر هیچگاه آنها را بازگو نکرده است.
ظهور هوش مصنوعی های خلاق مانند DALL-E، ربات گفتگوگر ChatGPT، الگوریتم های دیپ فیک مختلف و تعداد بی شماری از الگوریتم های دیگر به نظر می آید که در چند ماه گذشته در نقطه عطف قرار گرفته و آغاز به خارج شدن از لابراتوار ها و ورود به دنیای واقعی کرده است. این فناوری ها هم مانند همه تغییرات دیگر، فرصت ها و خطراتی را به همراه دارند و حاکی از آن هستند که ما واقعاً در زمان جالبی زندگی می نماییم.
این مطلب را می پسندید؟
(1)
(0)
تازه ترین مطالب مرتبط
نظرات بینندگان در مورد این مطلب