Baidu dirbtinio intelekto laboratorija pristato sintetinės kalbos sistemą

Kovodama dėl gilaus mokymosi metodų pritaikymo realiame pasaulyje, viena įmonė stovi aukščiau konkurentų. „Google“ dukterinė įmonė „DeepMind“ panaudojo šią techniką kurdama mašinas, galinčias įveikti žmones vaizdo žaidimuose ir senoviniame „Go“ žaidime. Praėjusiais metais „Google“ vertėjo paslaugos gerokai pagerėjo dėl gilaus mokymosi metodų įdiegimo užkulisiuose.

Taigi įdomu pamatyti, kaip kitos įmonės lenktyniauja siekdamos pasivyti. Šiandien atėjo eilė interneto paieškos įmonei „Baidu“, kuri kartais apibūdinama kaip „Google“ atitikmuo Kinijoje. 2013 m. „Baidu“ Silicio slėnyje atidarė dirbtinio intelekto tyrimų laboratoriją, iškeldama įdomų klausimą: ką ji padarė?

Dabar Baidu dirbtinio intelekto laboratorija atskleidė savo kalbos sintezės darbą. Vienas iš iššūkių kalbos sintezėje yra sumažinti užkulisiuose vykstančio tikslaus derinimo kiekį. Didelis „Baidu“ laimėjimas yra sukurti gilaus mokymosi mašiną, kuri iš esmės pašalina tokį kišimąsi. Rezultatas yra teksto į kalbą sistema, vadinama „Deep Voice“, kuri gali išmokti kalbėti vos per kelias valandas su nedideliu žmogaus įsikišimu arba be jo.

Pirmiausia šiek tiek fono. Teksto į kalbą sistemos šiuolaikiniame pasaulyje yra žinomos kaip navigacijos programėlės, kalbantys laikrodžiai, atsakiklio į telefoną sistemos ir pan. Tradiciškai jie buvo sukurti įrašant didelę vieno asmens kalbos duomenų bazę ir iš naujo sujungiant posakius, kad būtų sukurtos naujos frazės.

Šių sistemų problema yra ta, kad neįrašant visiškai naujos duomenų bazės sunku pereiti prie naujo garsiakalbio arba pakeisti jų žodžių kirčiavimą. Taigi kompiuterių mokslininkai dirbo pagal kitą metodą. Jų tikslas yra sintetinti kalbą realiu laiku nuo nulio, kaip to reikia.

Praėjusiais metais Google DeepMind padarė didelį proveržį šioje srityje. Jis pristatė neuroninį tinklą, kuris mokosi kalbėti klausydamas tikrosios kalbos garso bangų, lygindamas ją su teksto nuorašu. Po treniruotės jis sugebėjo sukurti sintetinę kalbą pagal pateiktą tekstą. „Google DeepMind“ savo sistemą pavadino „WaveNet“.

„Baidu“ darbas yra „WaveNet“ patobulinimas, kurį vis dar reikia šiek tiek patobulinti mokymo proceso metu. „WaveNet“ taip pat reikalauja daug skaičiavimų, todėl neaišku, ar jis kada nors galėtų būti naudojamas kalbai sintezuoti realiu laiku realiame pasaulyje.

Baidu sako, kad įveikė šias problemas. Jos metodas yra gana paprastas. Jis naudoja gilaus mokymosi metodus, kad konvertuotų tekstą į mažiausius suvokimo požiūriu skirtingus garso vienetus, vadinamus reiškiniais. Tada jis naudoja kalbos sintezės tinklą šiems garsams atkurti. Pagrindinis skirtumas yra tas, kad kiekvienas proceso etapas vyksta giliai mokantis, todėl, kai tik išmokstama, žmogaus koreguoti nereikia.

Paimkite, pavyzdžiui, žodį labas. Baidu sistema pirmiausia turi nustatyti fenomeno ribas tokiu būdu: (tyla HH), (HH, EH), (EH, L), (L, OW), (OW, tyla). Tada jis perduoda juos į kalbos sintezės sistemą, kuri ištaria žodį.

Vieninteliai kintamieji, kurių naujoji sistema nekontroliuoja, yra fonemų įtempiai, jų trukmė ir natūralus garso dažnis. Tai leidžia Baidu pakeisti kalbėtojo balsą ir žodžio perduodamas emocijas.

Visa tai reikalauja daug skaičiavimų. Realios kalbos atrankos dažnis yra apie 48 kilohercai. Taigi kompiuteris turi apie 20 mikrosekundžių kiekvienam mėginiui sugeneruoti. Kadangi šio garso kūrimo procesas apima kelis sluoksnius, kiekvienas iš jų turi atlikti savo darbą per 1,5 mikrosekundės. Norėdami tai suprasti kontekste, prieiga prie reikšmės, kuri yra pagrindinėje procesoriaus atmintyje, gali užtrukti 0,1 mikrosekundės.

Norėdami atlikti išvadas realiuoju laiku, turime labai stengtis, kad niekada neperskaičiuotume jokių rezultatų, visą modelį saugotume procesoriaus talpykloje (priešingai nei pagrindinėje atmintyje) ir optimaliai panaudotume turimus skaičiavimo vienetus, sako Baidu tyrėjai.

Nepaisant to, jie teigia, kad naudojant jų sistemą įmanoma kalbos sintezė realiuoju laiku, ir išbandė ją pasitelkdami „Amazon's Mechanical Turk“ suvokimą. Tai apėmė daugelio klausytojų prašymus įvertinti garso kokybę ir palyginti jį su pagrindine tiesos duomenimis, pateiktais originalaus žmogaus įrašo forma.

Baidu teigia, kad rezultatai yra aukštos kokybės. Jie teigia, kad mes optimizuojame išvadas, kad gautume didesnį nei realiuoju laiku greitį, parodydami, kad šie metodai gali būti taikomi garso generavimui realiuoju laiku ir srautiniu būdu.

Tačiau dar svarbesnis yra sistemos naudingumas, kurį galima greitai perkvalifikuoti į visiškai naujus duomenų rinkinius. Mūsų sistema yra apmokoma be jokio žmogaus dalyvavimo, o tai labai supaprastina teksto į kalbą sistemų kūrimo procesą, teigia komanda.

Tai įdomus darbas, pagrįstas „Google“ pastangomis žymiai pagerinti teksto į kalbą sistemas. Tai svarbu, nes dešimtmečių senumo mokslinės fantastikos rašytojų svajonė yra turėti galimybę kalbėtis su kompiuteriais realiu laiku ir jiems atsakyti. Tekstas į kalbą yra svarbi to dalis.

Žinoma, mažai tikėtina, kad „Google“ „DeepMind“ (ar bet kas kitas gilaus mokymosi pasaulyje) nejudėjo, kol „Baidu“ tobulina savo sintetinės kalbos sistemą. Tikrai bus tik laiko klausimas, kada pamatysime, ką jie padarė ir kaip tai bus palyginta.

Nuoroda: arxiv.org/abs/1702.07825 : Deep Voice: Realaus laiko neuroninis tekstas į kalbą

paslėpti