Amazon stworzył największy jak dotąd model zamiany tekstu na mowę

Grupa badawcza Amazona zajmująca się sztuczną inteligencją ogłosiła opracowanie największego jak dotąd modelu zamiany tekstu na mowę. "Największy" odnosi się do liczby parametrów i ilości danych wykorzystanych do szkolenia.

Co wiadomo

Zaprezentowany model, nazwany BASE TTS, zawiera 980 milionów parametrów. Został on wytrenowany na 100 000 godzin nagrań audio mowy z publicznych zasobów, głównie w języku angielskim.

Systemowi pokazano również przykłady wypowiadanych fraz w innych językach, aby mógł poprawnie wymawiać popularne wyrażenia.

Podczas testów na niewielkich danych zespół Amazon zidentyfikował "skok" jakości syntezy mowy, gdy osiągnął 150 milionów parametrów. W tym samym czasie model zaczął demonstrować szereg nowych możliwości językowych.

Eksperci zauważają, że BASE TTS pojawi się w domenie publicznej, aby uniknąć nieetycznego wykorzystania. Zamiast tego posłuży jako baza szkoleniowa do ulepszania istniejących rozwiązań w tej dziedzinie.

Źródło: TechXplore