VALL-E: A Microsoft új, nullapontos szövegfelolvasó modellje három másodperc alatt képes lemásolni mindenki hangját
Röviden
Mindössze egy három másodperces hangmintával, a transzformátor alapú TTS-modell A VALL-E minden hangon képes beszédet előállítani.
Ez jelentős előrelépés a természetesebb hangzású TTS-rendszerek irányába.
A Microsoft azonban bemutatott néhány mintát a használatban lévő modellből, és nyilvánvaló, hogy ez jelentős fejlődést jelent a TTS technológia terén.
Az első text-to-speech (TTS) modell megjelenése óta a kutatók keresik a módokat arra, hogy javítsák e rendszerek beszédgenerálását. A Microsoft legújabb modellje, VÖLGY, jelentős előrelépést jelent e tekintetben.
A VALL-E egy transzformátor alapú TTS-modell, amely bármilyen hangon képes beszédet generálni, miután csak egy három másodperces hangmintát hall. Ez jelentős előrelépés a korábbi modellekhez képest, amelyek sokkal hosszabb képzési időszakot igényeltek az új hang generálásához.
Kapcsolódó cikk: A Microsoft kiadott egy diffúziós modellt, amely egy személy egyetlen fényképéből 3D avatárt tud felépíteni |
Ezenkívül a hang intonációja, karizmája és stílusa érintetlen marad a generált beszédben. Ez fontos előrelépés a TTS-rendszerek természetesebb hangzása felé.
Ez a modell transzformátor alapú, és Dale-1 megjelenésű. Nem tévesztendő össze a diffúzió alapú Dalle-2-vel. A kód még mindig hiányzik. A felhasználók pedig szkeptikusak, hogy közzéteszik.
A Microsoft azonban kiadott néhány példát a működő modellről, és nyilvánvaló, hogy ez jelentős előrelépés a TTS technológia terén.
Példa #1:
Példa #2:
Példa #3:
Tudjon meg többet az AI-ról:
A felelősség megtagadása
Összhangban a A Trust Project irányelvei, kérjük, vegye figyelembe, hogy az ezen az oldalon közölt információk nem minősülnek jogi, adózási, befektetési, pénzügyi vagy bármilyen más formájú tanácsnak, és nem is értelmezhetők. Fontos, hogy csak annyit fektessen be, amennyit megengedhet magának, hogy elveszítsen, és kérjen független pénzügyi tanácsot, ha kétségei vannak. További információkért javasoljuk, hogy tekintse meg a szerződési feltételeket, valamint a kibocsátó vagy hirdető által biztosított súgó- és támogatási oldalakat. MetaversePost elkötelezett a pontos, elfogulatlan jelentéstétel mellett, de a piaci feltételek előzetes értesítés nélkül változhatnak.
A szerzőről
Damir a csapat vezetője, termékmenedzsere és szerkesztője Metaverse Post, olyan témákkal foglalkozik, mint az AI/ML, AGI, LLMs, Metaverse és Web3- kapcsolódó mezők. Cikkei havonta több mint egymillió felhasználót vonzanak. Úgy tűnik, szakértő, aki 10 éves tapasztalattal rendelkezik a SEO és a digitális marketing területén. Damirt a Mashable, Wired, Cointelegraph, The New Yorker, Inside.com, Entrepreneur, BeInCrypto és más kiadványok. Digitális nomádként utazik az Egyesült Arab Emírségek, Törökország, Oroszország és a FÁK között. Damir fizikából szerzett bachelor-diplomát, és úgy gondolja, hogy ez megadta neki azokat a kritikus gondolkodási készségeket, amelyek szükségesek ahhoz, hogy sikeres legyen az internet folyamatosan változó táján.
További cikkekDamir a csapat vezetője, termékmenedzsere és szerkesztője Metaverse Post, olyan témákkal foglalkozik, mint az AI/ML, AGI, LLMs, Metaverse és Web3- kapcsolódó mezők. Cikkei havonta több mint egymillió felhasználót vonzanak. Úgy tűnik, szakértő, aki 10 éves tapasztalattal rendelkezik a SEO és a digitális marketing területén. Damirt a Mashable, Wired, Cointelegraph, The New Yorker, Inside.com, Entrepreneur, BeInCrypto és más kiadványok. Digitális nomádként utazik az Egyesült Arab Emírségek, Törökország, Oroszország és a FÁK között. Damir fizikából szerzett bachelor-diplomát, és úgy gondolja, hogy ez megadta neki azokat a kritikus gondolkodási készségeket, amelyek szükségesek ahhoz, hogy sikeres legyen az internet folyamatosan változó táján.