Amazon pētnieki atklājuši līdz šim lielāko text-to-speech jeb teksts uz runu modeli. Tam ir uzlabotas spējas, ļaujot labāk formulēt sarežģītus teikumus.
Modelis, BASE TTS (text-to-speech) jeb Big Adaptive Streamable TTS with Emergent abilites, varētu būt pamats vairāk cilvēkiem līdzīgai komunikācijai.
Atsaucoties uz pētījumu, izskatās, ka TTS modeļu ilgstošie treniņi varētu uzlabot uzticamību un daudzpusību gluži tāpat kā ar mākslīgā intelekta LLM (lielo valodu modelis).
Amazon BASE TTS pārsteidz pētniekus
Text-to-speech modelis tika apmācīts, izmantojot 100000 stundu runas datu, kas pieejami publiskajā telpā. Tas sniedz modelim “modernu dabiskumu”. Galvenokārt, angliski, taču tika izmantoti dati arī vācu, holandiešu un spāņu valodā.
Vēl jo vairāk, pētnieki uzzinājuši, ka pat 10000 stundu runas datu treniņš arī rezultēsies uzlabotā prasmē dabīgāk veidot sarežģītus teikumus.
Ar 980 milj. parametru BASE–large ir atzīts par līdz šim lielāko text-to-speech modeli. Komanda trenēja arī mazākus modeļus, piemēram, ar 400 milj. un 150 milj. parametriem un to darīja ar 10000 un 1000 stundu runas datiem. Pēcāk tika salīdzināti rezultāti.
Amazon komanda BASE TTS apraksta kā “augstas precizitātes modelis, kas spēj atdarināt runātāja runas īpašības, izmantojot vien pāris sekunžu garus atsauces audio.” Grupa atzīst vajadzību pēc vairāk pētījumiem, taču novērtē modeļa potenciālu.
Dažas no galvenajām jomām, uz ko koncentrējās pētnieki, bija – salikti lietvārdi (compound nouns), emocijas, svešvārdi, paralingvistika, pieturzīmes, jautājumi un sintaktiskās sarežģītības – piemērus var atrast speciālā tīmekļa lapā.
2023. gadā īpaši izcēlās revolucionāri mākslīgā intelekta atklājumi, tāpēc šī gada text-to-speech izrāvieni varētu turpināt nodot futūristiskās tehnoloģijas rīkus publikas rokās. Pētnieku komandas piesardzīgā pieeja gan akcentē vajadzību pēc pienācīga regulējuma, ņemot vērā bažas par drošību un privātumu.
