Китайський пошуковик-гігант Baidu випустив Deep Voice 2 – оновлену систему перетворення тексту на звукову доріжку у режимі реального часу.
Перша версія Deep Voice вийшла лише 3 місяці тому, але Baidu встигли значно покращити систему. На відміну від попередньої версії, яка потребувала декілька годин звукових даних, Deep Voice 2 достатньо лише півгодини голосу. Після цього система здатна відтворити його до найдрібніших деталей, в тому числі й акцент. Однієї системи достатньо для копіювання сотень голосів, тоді як Deep Voice 1 оброблювала лише один голос.
Замість того, щоб викорисовувати велику базу вже записаних звукових доріжок, Deep Voice 2 знаходить закономірності у різних голосах для створення власної моделі, яку потім можна налаштовувати під різні варіанти. Система не потребує ручного регулювання. У своєму блозі Baidu зазначає, що технологія швидкого моделювання кількох голосів може бути корисною для цифрових помічників та електронних книжок.
Але в китайців вже є здорова конкуренція. Google DeepMind ще в минулому році опублікував статтю про WaveNet – складну модель звукових доріжок, які можна складати у людську мову, музику чи інші звукові сигнали. Ще одним прикладом є канадський стартап Lyrebird, який минулого місяця презентував систему, що здатна відтворити голоси знаменитостей завдяки одній хвилині звукових даних.
Технології допоможуть не тільки цифровим асистентам та електронним книжкам, але й, наприклад, оптимізують процеси дублювання фільмів. Подібні системи також можна використовувати, щоб "оживляти" голоси. Хотілося б чути знаменитий голос Київського метрополітену – Миколи Петренка на нових оголошенням і надалі.
Які способи використання на вашу думку слід розглянути виробникам?
Ще немає коментарів