טכנולוגיית טקסט לדיבור התקדמה מאוד בשנים האחרונות. בזכות פריצות דרך באינטליגנציה מלאכותית, TTS כיום יוצר דיבור איכותי שמחקה דיבור אנושי.
VALL-E של מיקרוסופט היא החידוש האחרון שעשוי להביא טקסט לדיבור שנשמע מדהים ביומרו. זהו מודל שפה עצבי מבוסס למידת מכונה ללא דוגמאות.
אם המשפט האחרון נשמע לכם עתידני או מבלבל—אל דאגה. כאן נפרט את מושגי הליבה שמאחורי VALL-E.
הסבר על Microsoft VALL-E
המודלים של AI משתכללים במהירות. כמעט כולם שמעו על ChatGPT של OpenAI, שבולט מאוד ביכולות דמויות אנוש, וגם על אמנות הבינה המלאכותית של DALL-E.
לצד חברות סטארט-אפ כמו OpenAI, ענקיות כמו מיקרוסופט הן שחקניות מובילות בתחום ה-AI.
לאחרונה חוקרי מיקרוסופט עבדו על חידושים בסינתזת טקסט לדיבור, ו-VALL-E מייצגת את קפיצת המדרגה הזו.
ה-AI החדש יכול לטלטל את תחום TTS, כיוון שהוא מסוגל לחקות דיבור אנושי ממשי על בסיס דגימת אודיו קצרה. שלוש שניות מספיקות כדי לזהות את דפוסי הדובר.
לאחר קבלת דגימת הדובר, ה-AI מחקה את הקול והטון הרגשי. VALL-E אף שומרת על הסביבה האקוסטית של הדובר.
בקיצור, VALL-E מצטיינת בדמיון לקול המקורי. ניתן להאזין לדוגמאות ב-GitHub, שם מיקרוסופט שיתפה הסברים ודוגמאות אודיו.
ברור שלטכנולוגיה כזו יש יישומים רבים, כמו יצירת פודקאסטים וספרי שמע. הפוטנציאל רק יגדל כש-VALL-E תעבוד יחד עם מודלים כמו GPT-3.
אבל יש גם חשש שהטכנולוגיה תוביל לשימושים מזיקים.
כיוון ש-VALL-E מסוגלת להישמע זהה לאדם, קל לדמיין כיצד גורמים זדוניים ינצלו זאת להונאות כמו דיפ-פייק מזיק. לכן מיקרוסופט פרסמה הצהרת אתיקה בנושא.
בהצהרה, החברה תומכת במודלים שמבצעים עריכת דיבור רק בהסכמה של הדובר המקורי.
המחלוקות על השימושים בעתיד עדיין פתוחות. כרגע שאלה מעניינת במיוחד עומדת על הפרק:
איך ה-AI משחזר דפוסים מורכבים על בסיס דגימת אודיו של שלוש שניות?
לא מפתיע שהתשובה מורכבת למדי.
VALL-E אומנה על אלפי שעות של שפה אנגלית, מה שאפשר לה לייצר דיבור אנגלי חלק. אבל זו לא מערכת TTS רגילה—מדובר בלמידת מכונה מתקדמת.
כבר הזכרנו: מדובר במודל שפה עצבי על בסיס zero-shot. נבין מה זה אומר בפועל.
הבנת מודלי שפה עצביים מסוג Zero-Shot
Zero-shot מתאר טכנולוגיה ל-TTS, שמאפשרת ל-AI להקריא טקסט גם אם לא נתקל בו קודם. כלומר המחשב יכול להקריא טקסט ש"לא ראה" מעולם.
Zero-shot גם מאפשר למכונה להפיק דיבור מבלי לאמן אותה מחדש, בדומה לאדם שקורא טקסט חדש בשפה שהוא כבר מכיר.
החלק הסבוך יותר הוא "מודל שפה עצבי עם קודק".
מנועי TTS משתמשים בקודקים קוליים כדי להמיר טקסט לגלי קול. הקודק מסייע ל-AI להפוך טקסט לקול. קודק עצבי מבוסס על רשת עצבית מתקדמת.
ועולה שאלה נוספת מתבקשת: מהי רשת עצבית?
נסביר בקצרה: רשת עצבית מחקה את פעולת מוח האדם. היא בנויה ממספר נוירונים מלאכותיים (nodes) המחוברים בשכבות מרובות.
המבנה המורכב מאפשר למכונה לבצע "למידה עמוקה"—כלומר לזהות ולהתאים תבניות שלא הוגדרו מראש.
הקודק העצבני מזרים נתונים למודל השפה, שהוא חלק חשוב של טקסט לדיבור.
מודל השפה מסתמך על דטה־סט שמאפשר לו להבין כל טקסט לפי ההקשר. כך המחשב "מבין" את הנקרא.
במקרה של VALL-E, בסיס האודיו היה ספריית LibriLight שפותחה ע"י Meta (פייסבוק).
האזינו לטכנולוגיית TTS המתקדמת של Speechify
VALL-E עדיין לא זמינה לציבור, אבל תוכלו לשמוע איך מנוע טקסט לדיבור מתקדם נשמע באמצעות Speechify, שמאפשר הקראת טקסט מכל מקור.
תנו ל-Speechify טקסט כתוב, דף סרוק או תוכן מהרשת—הוא יקרא אותו מיידית. הקולות שלו נשמעים טבעיים, לא רובוטיים כמו מנועים אחרים.
ניתן גם להתאים את האופן שבו Speechify קורא: בחרו שפה, קריין ומהירות קריאה—ושמעו טקסטים בדיוק בדרך שתרצו.
אם זה נשמע לכם מעניין, תוכלו לנסות את Speechify בחינם כבר עכשיו.
שאלות נפוצות
האם אפשר להשתמש ב-VALL-E?
קיימת דאגה בנוגע לשימוש לרעה ב-VALL-E, כגון גניבת זהות. לכן מיקרוסופט לא מאפשרת לציבור הרחב גישה אליה.
מה זה Microsoft AI?
Microsoft AI אינו מוצר מסוים, אלא מסגרת פיתוח ל-AI של החברה. היא כוללת פתרונות data science, בינה שיחתית, רובוטיקה, למידת מכונה וחידושי תעשייה נוספים.
מהו ממשק מבוסס קול?
ממשק מבוסס קול הוא UI שמופעל בקול בלבד. טכנולוגיה זו נפוצה מאוד במכשירים חכמים—כמו Alexa, Siri, Cortana או Assistant.
מה זה רובוט?
רובוט הוא כל מכונה שפועלת אוטומטית. רוב הרובוטים נועדו להחליף עבודה אנושית—הם לא תמיד דמויי אדם או בעלי גוף פיזי (למשל, גם עוזרי קול וירטואליים הם רובוטים).
