تکنولوژی کلون کردن صدای هوش مصنوعی مایکروسافت: ول-ای ۲ (VALL-E 2)
تیم تحقیقاتی مایکروسافت سیستم جدیدی به نام ول-ای ۲ (VALL-E 2) معرفی کرده که قادر به تولید صداهای «با ظاهر انسانی» با دسترسی به فقط چند ثانیه از صدای منبع است، به گونهای که نمیتوان آنها را از صدای اصلی تشخیص داد.
در مقالهای که توسط تیم تحقیقاتی منتشر شده آمده است: «ول-ای ۲ (VALL-E 2) آخرین پیشرفت در مدلهای زبان کدک عصبی است که نقطه عطفی در تولید متن به گفتار با رویکرد صفر-نمونه محسوب میشود و برای اولین بار کاملا قابل مقایسه با صدای انسانی است.» این سیستم بر پایه نسخه پیشین خود، ول-ای (VALL-E)، که در اوایل سال ۲۰۲۳ معرفی شد، ساخته شده است. مدلهای زبان کدک عصبی، گفتار را به صورت دنبالهای از کدها نشان میدهند.
آنچه ول-ای ۲ (VALL-E 2) را از سایر تکنیکهای کلون کردن صدا متمایز میکند، روش «نمونهبرداری آگاه از تکرار» و جابجایی تطبیقی بین تکنیکهای نمونهبرداری است. این استراتژیها باعث ارتقای پایداری و حل مشکلات رایج در تولید صدا را فراهم میکنند.
تیم تحقیقاتی اعلام کرد: «ول-ای ۲ (VALL-E 2) به طور مداوم گفتاری با کیفیت بالا تولید میکند، حتی برای جملاتی که به طور سنتی به دلیل پیچیدگی یا عبارات تکراری چالشبرانگیز هستند.» این تکنولوژی میتواند به تولید گفتار برای افرادی که توانایی صحبت کردن را از دست دادهاند کمک کند.
چالشهای اخلاقی و دسترسی عمومی
مایکروسافت اعلام کرده است که این ابزار به عموم مردم ارائه نخواهد شد. در بیانیه اخلاقی این شرکت آمده است: «در حال حاضر، برنامهای برای ادغام ول-ای 2 (VALL-E 2) در یک محصول یا گسترش دسترسی به عموم نداریم.» این شرکت به خطراتی مانند تقلید صدا بدون رضایت و استفاده از صدای مصنوعی در کلاهبرداریها و سایر فعالیتهای مجرمانه اشاره کرده است.
رقابت شدید در حوزه کلون کردن صدا
رقابت در زمینه کلون کردن صداهای مصنوعی به سرعت در حال افزایش است و مرزهای جدیدی روزانه ظهور میکنند. استارتاپی به نام الونلبز (ElevenLabs) در سانفرانسیسکو اعلام کرده است که مدل جدید هوش مصنوعی آنها میتواند صداها را به ۳۰ زبان مختلف تقلید کند، در حالی که نسخه قبلی تنها از ۸ زبان پشتیبانی میکرد. تیم تحقیقاتی این شرکت به ضرورت ایجاد روشی استاندارد برای علامتگذاری دیجیتالی تولیدات هوش مصنوعی تأکید کرد و اشاره کرد که تشخیص محتوای تولید شده توسط هوش مصنوعی همچنان چالشبرانگیز است.
مقایسه نتایج ول-ای ۲ (VALL-E 2) با سایر ابزارها
نتایج ول-ای ۲ (VALL-E 2) در مقایسه با سایر ابزارها دقت زیاد آن را نشان میدهد. در سری آزمایشهای انجام شده توسط تیم تحقیقاتی، ول-ای ۲ (VALL-E 2) در پارامترهای پایداری، طبیعی بودن و شباهت گفتار تولید شده نسبت به معیارهای انسانی برتری داشت. این سیستم با تنها ۳ ثانیه نمونه صدا به این نتایج دست یافت، اما تیم تحقیقاتی اشاره کرد که «استفاده از نمونههای ۱۰ ثانیهای منجر به کیفیت بهتری شد.»
مدلهای کلون کردن صدا از شرکتهای دیگر
مایکروسافت تنها شرکتی نیست که مدلهای هوش مصنوعی پیشرفته خود را بدون انتشار عمومی معرفی کرده است. مدل ویسباکس (Voicebox) از شرکت متا و ویس انجین (Voice Engine) از شرکت اوپنایآی (OpenAI) نیز دو نمونه برجسته از این تکنولوژیها هستند.
سخنگوی هوش مصنوعی متا به دیکریپت (Decrypt) گفت: «کاربردهای هیجانانگیز بسیاری برای مدلهای تولید گفتار وجود دارد، اما به دلیل خطرات احتمالی سوءاستفاده، ما مدل یا کد ویسباکس (Voicebox) را در این زمان به صورت عمومی منتشر نمیکنیم.»
همچنین، اوپنایآی توضیح داد که ابتدا قصد دارد مسائل امنیتی را حل کند و بعد از آنمدل صدای مصنوعی خود را عرضه کند. در اعلمیه رسمی این شرکت آمده: «در راستای رویکرد ما به ایمنی هوش مصنوعی و تعهدات داوطلبانهمان، ما تصمیم گرفتهایم این تکنولوژی را به صورت پیشنمایش در دسترس قرار دهیم، ولی در این زمان به صورت گسترده منتشر نکنیم.»
درخواست برای برقراری راهنماها یا گایدلاینهای اخلاقی در جامعه هوش مصنوعی در حال گسترش است، به ویژه با افزایش نگرانیهای قانونگذاران در مورد تأثیر هوش مصنوعی تولیدی بر زندگی روزمره.
مطالب مرتبط
