انویدیا با معرفی مدل شگفتانگیز «فوگاتو» میتواند صداهایی تولید کند که هرگز شنیده نشده!
آیا تا به حال به صدایی فکر کردهاید که در هیچ کجا وجود نداشته ؟ صدایی که نه از ساز، نه از طبیعت و نه از گلوی انسانی شنیده شده باشد؟ انویدیا با معرفی مدل شگفتانگیز «فوگاتو» (Fugatto) درهای تازهای به دنیای صدا و خلاقیت گشوده است. این مدل، فراتر از تولید صداهای عادی یا شبیهسازی آهنگ، به شما امکان میدهد تا اصواتی کاملاً جدید بسازید، اصواتی که بهراستی هرگز در تاریخ شنیده نشدهاند.
انویدیا چگونه به صدای ناشناخته جان میبخشد؟
فوگاتو نه فقط یک ابزار تولید صدا، بلکه یک «چاقوی سوئیسی» برای ترکیب و دگرگونی صداهاست. این مدل میتواند هر چیزی را که میشنوید، از موسیقی گرفته تا صدای انسان و حتی صداهای محیطی، تغییر دهد. به کمک آن میتوانید صدای آژیری را تصور کنید که مثل گروه کُر آواز میخواند، یا گفتگوی انسانها را طوری تغییر دهید که انگار زیر آب در حال صحبت هستند. نمونههایی که از این مدل ارائه شدهاند، نشان میدهند که با فوگاتو، مرزهای خیال و واقعیت صوتی شکسته میشود.
هرچند فوگاتو هنوز برای استفاده عمومی عرضه نشده، اما پیشنمایشهای آن نوید آیندهای متفاوت را میدهد؛ آیندهای که در آن اصوات، تنها از تخیل ما محدودیت میگیرند.
چالشهای ساخت: چرا صدا پیچیدهتر از زبان است؟
یکی از بزرگترین موانع پژوهشگران انویدیا، کمبود دادههای مناسب برای آموزش این مدل بود. برخلاف مدلهای زبانی که میتوانند با استفاده از متون مختلف و قابل درک آموزش ببینند، درک و پردازش صدا به مجموعه دادههایی نیاز دارد که روابط پیچیده میان ویژگیهای صوتی و زبان را آشکار کنند.
برای حل این مشکل، پژوهشگران از یک مدل زبانی بزرگ (LLM) استفاده کردند که کدی به زبان پایتون تولید کرد. این کد توانست دستورالعملهای متنوعی را برای توصیف صداهای مختلف ایجاد کند. دستورالعملها شامل مفاهیم مطلق مانند «صدای شاد بساز» یا تغییرات نسبی مانند «شادابی این صدا را افزایش بده» بودند.
این نوآوری به فوگاتو امکان داد تا طیف گستردهای از ویژگیهای صوتی، از احساسات گرفته تا کیفیت گفتار و حتی تفاوتهای کوچک در جنسیت صدا را درک کند و شبیهسازی کند.
چگونه صداهای جدید خلق میشوند؟
برای تولید صدای کاملاً جدید، تنها دادههای صوتی معمول کافی نیست. انویدیا از ابزارهای پردازش صوت پیشرفتهای استفاده کرده که میتوانند خصوصیات آکوستیکی مانند «تغییرات فرکانس پایه» (Fundamental Frequency Variance) یا «بازتاب صوت» (Reverb) را به دقت تحلیل کنند. سپس، این اطلاعات به مدل داده شد تا درکی عمیقتر از صدا و توانایی تغییر یا ترکیب آن داشته باشد.
این فرایند به مدل امکان میدهد تا حتی از دادههای موجود، صداهایی بسازد که در دنیای واقعی نظیری ندارند. نتیجه، یک جهش بزرگ در توانایی ترکیب، پردازش و خلق اصوات جدید است.
فوگاتو: آیندهای بیمرز برای خلاقیت صوتی
توانایی این مدل در دگرگونسازی صداها تنها محدود به هنر و موسیقی نیست. کاربردهای بالقوه فوگاتو میتوانند صنعت بازیسازی، فیلمسازی، تولید پادکست و حتی فناوریهای کمکی برای افراد دارای اختلالات گفتاری را متحول کنند. تصور کنید که میتوانید با چند دستور ساده، فضایی صوتی خلق کنید که تنها در تخیلات شما وجود داشته است.
با فوگاتو، دیگر نه تنها میتوان صدا را شنید، بلکه میتوان آن را به شکلی که هیچکس تصور نمیکند، طراحی کرد. این تکنولوژی نوید میدهد که آینده صدا نه تنها شنیدنی، بلکه رؤیایی خواهد بود.
مطالب مرتبط
