A Microsoft szerint az új mesterséges intelligenciájuk képes klónozni a hangunkat, hangszínnel együtt, akár már egy pár másodperces hangrészletből is.
A VALL-E rendszer mögött álló technológia, amelyet a Microsoft egy új dokumentumban „neurális kódoló nyelvi modellként” említ, rendkívül összetett folyamat, bár a gyakorlatban kifejezetten egyszerűnek tűnik.
Ez is érdekelhet: Lefordította a malacok röfögését egy mesterséges intelligencia
Természetesen már számos szövegről beszédre váltó alkalmazás létezik. Jó néhány külföldi híroldal is kínál hasonló szolgáltatásokat, míg az olyan beszélő „asszisztensek”, mint a Siri és az Alexa is óriási népszerűségnek örvendenek.
A legtöbb létező beszédgeneráló program azonban nagy mennyiségű inputot igényel. És azt sem találták még ki, hogyan lehet a mesterséges intelligencia hangját élethűen megalkotni, főként azért, mert az érzelmes hangszínt és az apró hanglejtéseket hihetetlenül bonyolult kialakítani. Ha azonban a Microsoft rendszere tényleg képes lesz az emberi hangzásra, akkor óriási dolgot érnek el.
Az alkotók szerint a VALL-E számos alkalmazással rendelkezik majd, beleértve a beszédszerkesztést és a tartalomkészítést.
De természetesen fontos néhány etikailag kényes és hipotetikus kérdést is felvetni.
A hamis és félrevezető hangok megalkotása nyilvánvalóan aggodalomra ad okot, hiszen ha csupán három másodpercnyi hanganyagra van szükségünk, akkor felhasználhatunk egy híresség interjúját, vagy akár egy civil ismerősünk Instagram-sztoriját, hogy megszemélyesítsünk valakit. Ebből pedig számtalan probléma és visszaélés születhet.
Olvasd el ezt is! Bejelentkezett a választásokra egy új, mesterséges intelligencia vezette párt
A Microsoft azonban nyugodtan kezelte ezt az aggályt, és kifejtette, hogy egyelőre tartózkodnak attól, hogy a kódot nyílt forráskódúvá tegyék. De azt is hozzátették, hogy dolgoznak egy olyan rendszer beépítésén, amely felismeri, hogy a hangot a VALL-E segítségével készítették.