鉴于近年来机器学习技术的巨大进步，人们已经看到了图像和图片的许多发展。但是，声音的应用还比较少见。即便是最好的系统仍然听起来像一个文本到语音的程序。 “机器”的味道，但在Facebook AI Research创建了可以再现人声的AI系统“MelNet”之后，这种情况可能持续了很长时间。
人工智能很少用于声音的原因并不是因为缺乏实验，就像图像和图像一样。许多团队使用大型数据库来训练深度学习算法，以尝试重现真实的语音。然而，大多数过去的研究都使用了声音波形（波形经过训练，所产生的AI在复制人体音调时的表现往往低于预期，这也导致文本到语音系统的进展缓慢。
与大多数研究人员不同，Facebook AI Research的Sean Vasquez和Mike Lewis选择采用不同的方法，而不是专注于声波地图，使用光谱图来训练深度学习网络，Vasquez和Lewis解释说，因为频谱图的时间线比超声波图，这意味着波形中数万个时间序列的相关性在频谱图中仅相差几百个，使得深度学习系统更容易获得相关性。
“这也使我们的频谱图模型能够产生无限的语音和音乐样本，并与原始样本保持一致。”
结果令人印象深刻。在使用TED原始语音内容培训fun88公益系统后，MelNet能够在几秒钟内重现TED扬声器的声音并说些什么。除了Bill Gates，Li Feifei和Jane之外，团队发布的所有例子都可以在这里查看。在德国的TED扬声器和数据库中模仿各种重音对象，团队也让MelNet模仿片段音乐的制作，结果相当惊人。
当然，MelNet仍有其局限性。虽然听起来像是一个短句的人，但是当内容长时间变化时，人们常常会带来情感，但MelNet没有这种能力。此外，MelNet可以非常快速地生成可信的短句，但它不会产生更长的句子，段落或整个故事，这不是一个可以很快实现的目标。
虽然复制有很多限制，但可以想象MelNet的出现将对未来的人机交互产生重大影响。对于诸如交换机和帮助台之类的任务，对话通常涉及使用短句测验，类似MelNet的系统将允许机器以类似人类的方式自动化这些交互。另一方面，就像许多其他可以模仿人类的人工智能技术一样，未来其他人在其他用途中使用MelNet并不是不可想象的，一旦这些深度技术结合在一起，它就会发生再次。这是怎么回事？与往常一样，AI在模仿人类方面的发展似乎提出了更多的道德问题而不是答案。
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
