DeepMind A.I. রোবট এবং হিউম্যান ভয়েসেসের মধ্যে গ্যাপটি বজায় রাখে

কৃত্রিম বুদ্ধিমত্তা শুধু রোবট কণ্ঠস্বর অনেক বেশি বাস্তবসম্মত শব্দ তৈরি।

DeepMind, যা পূর্বে এআই এর শক্তি প্রদর্শন। মার্চ মাসে গোয়ায় একজন মানব খেলোয়াড়কে মারধর করে এবং জুলাই মাসে অর্ধেকের মধ্যে তার বিদ্যুৎ বিল কাটাতে এখন বক্তৃতা সংশ্লেষে মনোযোগ দেওয়া হয়।

এআইআই গবেষণা গোষ্ঠীটি গুগল প্যারেন্ট কোম্পানী আলফলেটের অংশ যা আজ সকালে প্রকাশিত হয়েছে যে এটি ওয়েভনেট নামে একটি নতুন প্রযুক্তি তৈরি করেছে যা স্পিকার, সঙ্গীত এবং অন্যান্য শব্দগুলি আগের চেয়ে আরও সঠিকভাবে তৈরি করতে ব্যবহার করতে পারে।

ডিপমিন ব্যাখ্যা করে যে অনেক বিদ্যমান বক্তৃতা সংশ্লেষণ পদ্ধতি নির্ভর করে "সংক্ষিপ্ত বক্তৃতাগুলির একটি খুব বড় ডাটাবেস একক স্পিকার থেকে রেকর্ড করা হয় এবং তারপরে সম্পূর্ণ বিবৃতি তৈরির জন্য পুনর্বিবেচনা করা হয়।" ওয়েভনেট, অন্যদিকে, "অডিও সংকেতটির কাঁচা ওয়েভফর্ম" "আরো বাস্তবসম্মত কণ্ঠস্বর এবং শব্দ তৈরি করতে।

এর মানে হল যে ওয়েভনেট একটি স্বতন্ত্র শব্দের বা সম্পূর্ণ শব্দের ব্যবহার করার পরিবর্তে একজন মানুষ যখন কথা বলে তখন তৈরি স্বতন্ত্র শব্দের সাথে কাজ করছে। সেই শব্দগুলি তখন "কম্পিউট্যাশনাল্যালি ব্যয়বহুল" প্রক্রিয়ার মাধ্যমে চালিত হয় যা ডীপমিনকে "জটিল, বাস্তবসম্মত-শব্দমান অডিও তৈরির জন্য প্রয়োজনীয়" যন্ত্রগুলির সাথে পাওয়া যায়।

যে সমস্ত অতিরিক্ত কাজ ফলাফল মার্কিন ইংরেজী এবং চীনা ম্যান্ডারিন মধ্যে সংশ্লেষিত বক্তৃতা 50 শতাংশ উন্নতি। এখানে প্যারামিটারিক টেক্সট-টু-স্পিচ ব্যবহার করে উত্পন্ন বক্তৃতাগুলির একটি উদাহরণ দেওয়া হয়েছে, যা আজকের মত সাধারণ, DeepMind দ্বারা ব্যবহৃত এই বক্তৃতা সংশ্লেষণ পদ্ধতির অভাবের জন্য প্রদর্শন করে:

এবং এখানে ওয়েভনেট দ্বারা তৈরি একই বাক্যের একটি উদাহরণ:

কোম্পানিগুলি প্রাকৃতিক ভাষা ইন্টারফেসগুলিতে তাদের কাজ চালিয়ে যাওয়ার সাথে সাথে আরও বাস্তবসম্মত-শব্দের প্রতিক্রিয়াগুলি প্রদান করে ক্রমবর্ধমান গুরুত্বপূর্ণ হয়ে উঠছে। WaveNet যে সমস্যা সমাধানের সাহায্য করতে পারেন।