Meta zaprezentowała Voicebox, czyli nowe narzędzie AI zamieniające tekst na mowę
16 czerwca br. Meta pochwaliła się w mediach społecznościowych nowym narzędziem, które służy m.in. zamianie tekstu na mowę. Voicebox umożliwia także edytowanie nagrania oraz wygenerowanie wypowiedzi z wykorzystaniem próbki głosu od konkretnej osoby. Model jest wielojęzyczny.
Voicebox wykorzystuje nowe podejście do uczenia się i jest oparty o model językowy LLaMA. Dotychczas tego rodzaju narzędzia były szkolone na dużej ilości danych, ale jedynie takich, które zostały specjalnie do tego przygotowane. Voicebox jest przeszkolony wyłącznie na niefiltrowanym dźwięku. Były to przede wszystkim publicznie dostępne audiobooki w różnych językach (angielskim, francuskim, hiszpańskim, niemieckim, polskim i portugalskim). Dzięki temu technologia jest w stanie wyprodukować bardziej konwersacyjne treści.
Voicebox posiada bardzo podstawowe funkcje, takie jak zamiana tekstu na mowę czy odczytanie fragmentu w różnych wariantach głosowych, w tym z wykorzystaniem własnego głosu. Ciekawą opcją jest możliwość edytowania dźwięku, np. usunięcia niepotrzebnych szumów w tle za pomocą wydania odpowiedniej komendy. Dodatkowo, Voicebox może okazać się także przydatny w tłumaczeniach, ponieważ narzędzie jest w stanie z łatwością odczytać dany fragment w kilku różnych językach.
Meta na ten moment nie udostępnia modelu, ponieważ zdaje sobie sprawę z ryzyka związanego z użyciem go w niewłaściwym celu.
– Podobnie jak w przypadku innych potężnych nowych innowacji w zakresie sztucznej inteligencji, zdajemy sobie sprawę, że ta technologia niesie ze sobą potencjał niewłaściwego użycia i niezamierzonych szkód. W naszym artykule szczegółowo opisujemy, w jaki sposób zbudowaliśmy wysoce skuteczny klasyfikator, który potrafi odróżnić autentyczną mowę od dźwięku generowanego za pomocą Voicebox, aby złagodzić te potencjalne przyszłe zagrożenia – dodają badacze Meta.
Na LinkedInie obserwuje nas ponad 100 tys. osób.Jesteś tam z nami?
„MusicGen” umożliwia generowanie muzyki na podstawie tekstowych podpowiedzi lub melodii. Został przeszkolony na 20 000 godzin muzyki. Model nie jest jeszcze dostępny, ale można skorzystać z jego demo.
Używamy cookies i podobnych technologii m.in. w celach: świadczenia usług, reklamy, statystyk. Korzystanie z witryny bez zmiany ustawień Twojej przeglądarki oznacza, że będą one umieszczane w Twoim urządzeniu końcowym. Pamiętaj, że zawsze możesz zmienić te ustawienia. Szczegóły znajdziesz w Polityce Prywatności.
Funkcjonalne
Zawsze aktywne
Przechowywanie lub dostęp do danych technicznych jest ściśle konieczny do uzasadnionego celu umożliwienia korzystania z konkretnej usługi wyraźnie żądanej przez subskrybenta lub użytkownika, lub wyłącznie w celu przeprowadzenia transmisji komunikatu przez sieć łączności elektronicznej.
Preferencje
Przechowywanie lub dostęp techniczny jest niezbędny do uzasadnionego celu przechowywania preferencji, o które nie prosi subskrybent lub użytkownik.
Statystyka
Przechowywanie techniczne lub dostęp, który jest używany wyłącznie do celów statystycznych.Przechowywanie techniczne lub dostęp, który jest używany wyłącznie do anonimowych celów statystycznych. Bez wezwania do sądu, dobrowolnego podporządkowania się dostawcy usług internetowych lub dodatkowych zapisów od strony trzeciej, informacje przechowywane lub pobierane wyłącznie w tym celu zwykle nie mogą być wykorzystywane do identyfikacji użytkownika.
Marketing
Przechowywanie lub dostęp techniczny jest wymagany do tworzenia profili użytkowników w celu wysyłania reklam lub śledzenia użytkownika na stronie internetowej lub na kilku stronach internetowych w podobnych celach marketingowych.
