211service.com
¿Rostro de robot, voz de ángel?
La última vez que escuchó a una computadora convertir una línea de texto a voz, probablemente le molestó. La división de aprendizaje automático de Google, DeepMind, ha desarrollado un nuevo sistema de síntesis de voz utilizando inteligencia artificial que cree que mejorará la situación.
Tener una computadora que genere el sonido de una voz no es una idea nueva. Quizás el enfoque más común es simplemente usar una selección increíblemente grande de fragmentos de voz pregrabados de una sola persona. En una técnica llamada síntesis concatenativa, estos se juntan para crear sonidos, palabras y oraciones más grandes. Es por eso que gran parte del habla generada por computadora a menudo sufre fallas, cambios extraños en la entonación y tropiezos en la pronunciación.
El otro enfoque competitivo utiliza modelos matemáticos para recrear sonidos conocidos que luego se ensamblan en palabras y oraciones. Si bien es menos propenso a fallas, este llamado enfoque paramétrico termina sonando robótico. Sin embargo, lo que une los dos enfoques es que ambos unen fragmentos de sonido, en lugar de crear toda la forma de onda de audio desde cero.
Sin embargo, eso es exactamente lo que hace el enfoque de DeepMind. Las redes neuronales convolucionales de WaveNet se enseñan alimentándolas con clips de voces humanas reales y las características lingüísticas y fonéticas correspondientes para que puedan identificar patrones que las relacionen. En uso, el sistema se suministra con una nueva serie de funciones de sonido generadas a partir de una línea de texto; luego intenta crear la onda de sonido sin procesar para representarla desde cero. Lo hace paso a paso, primero generando una muestra de la onda de sonido, luego la siguiente y la siguiente, en cada punto utilizando información sobre las muestras que ya se han creado para ayudar a informar una nueva.
Los resultados suenan convincentes: puedes escucharlos tu mismo aqui . Comparado con los enfoques concatenativo y paramétrico, es notablemente más parecido a un humano.
Sin embargo, hay una trampa: la técnica requiere una tonelada de potencia computacional. Debido a que WaveNet tiene que crear la forma de onda completa, debe usar sus procesos de red neuronal para generar 16 000 muestras por cada segundo de audio que produce (e incluso entonces, el sonido solo es equivalente a la calidad del sonido enviado por teléfono o llamadas VoIP). Según una fuente de DeepMind que habló con el Tiempos financieros (paywall), eso significa que no se utilizará en ninguno de los productos de Google por ahora.
Aún así, no es el único problema de idioma que enfrentan las computadoras. Interpretar el habla y la palabra escrita también es notoriamente difícil para los sistemas de inteligencia artificial. Al menos a este ritmo, cuando las computadoras puedan reunir los medios para generar reflexiones verdaderamente inteligentes, también podrán comunicárnoslas con una floritura.
(Lee mas: Mente profunda , Tiempos financieros , Problema de lenguaje de AI)