Dne 29. března 2024 OpenAI zásadně posunulo hranice generativní umělé inteligence, když představilo svůj nový nástroj pro klonování hlasu, Hlasový engine. Tento nástroj by měl být schopen naklonovat váš hlas do 15 sekund ze zvukové nahrávky a poté ho s téměř 100% bezchybností reprodukovat.
Jak je vidět OpenAI stále pokračuje ve svém inovativním toku. A není se čemu divit, poté co byl sesazen její špičkový model GPT-4 z trůnu nejlepšího LLM generativního AI modelu svým rivalem Claude 3 od společnosti Anthropic, se OpenAI snaží opět dostat do čela průmyslu umělé inteligence. Po modelu Sora, zaměřeného na generování videa, přichází další významný krok od OpenAI v podobě možnosti klonování hlasu.
Co představuje Hlasový engine od OpenAI?
Hlasový engine (Voice engine) umožňuje z 15 sekund nahraného hlasu dané osoby naučit se jeho hlas. Hlas lze poté reprodukovat ve velmi slibném provedení, tj. hlas by měl být čistý, plynulý a s přízvukem.
OpenAI zahájilo vývoj svého Hlasového enginu na konci roku 2022. Tento nástroj v současnosti pohání ChatGPT Voice a funkci předčítání. Nástroj tak rozšiřuje nabídku přednastavených hlasů v rámci jejich API pro převod textu na řeč. Pro vytvoření věrné kopie uživatelského hlasu Hlasový engine vyžaduje pouze krátkou nahrávku mluveného hlasu a text k předčítání. Výsledné hlasy, které tento nástroj produkuje, jsou překvapivě autentické a schopné zprostředkovat emoce s až pozoruhodnou hloubkou.
Obrázek 1 – DALL-E 3: Hudební noty
Jak byl Hlasový engine trénován?
K tréninku modelu Hlasového enginu OpenAI byla použita kombinace licencovaných a veřejně dostupných datových sad. Jeff Harris, člen produktového týmu OpenAI, v rozhovoru pro TechCrunch uvedl, že model generativní AI Hlasového enginu pracoval v utajení již nějakou dobu. Vzhledem k tomu, že tréninková data a související informace jsou pro mnoho poskytovatelů generativní AI cenným aktivem, tendence je tyto informace držet v tajnosti.
Hlasový engine OpenAI nevyužívá pro svůj trénink ani optimalizaci data od uživatelů. Důvodem je, že tento systém generuje řeč unikátním způsobem, kdy spojuje specifické technologie (transformátor a difuzní proces), aby vytvořil přirozeně znějící hlas. To umožňuje Hlasovému enginu vytvářet věrohodné hlasové kopie bez potřeby speciálního nastavení pro každého uživatele. Stane se tak analýzou a kombinací textu, který má být předčten, a vzorku hlasu, který systém obdrží.
„V podstatě vezmeme malý zvukový vzorek s textem a vygenerujeme realistickou řeč, která odpovídá původnímu mluvčímu. Použitý zvuk je po dokončení požadavku odstraněn,“ řekl Harris v rozhovoru pro TechCrunch o Hlasovém enginu.
Praktické využití Hlasového enginu
Hlasový engine od OpenAI přichází s několika funkcemi, které jsou primárně zaměřeny na klonování realistického hlasu uživatele.
Asistence při čtení
Hlasový engine může být velmi užitečný pro děti a studenty, poněvadž používá realistické, expresivní hlasy, které předávají širší škálu řeči, než je možné s přednastavenými hlasy. Nástroj má velký potenciál poskytovat realistické interaktivní vzdělávací a čtecí sezení, které mohou významně zlepšit kvalitu vzdělávání.
Překlad zvuku
Hlasový engine dokáže přijmout vstupní hlas uživatele a poté jej přeložit do různých jazyků, čímž dosáhne komunikace nebo dosahu u širšího spektra diváků a komunit.
Spojení s komunitami po celém světě
Hlasový engine a GPT-4 umožňují dávat interaktivní zpětnou vazbu v rodném jazyce pracovníka, jako je svahilština, nebo v populárnějších jazycích jako Sheng, kódově smíšeném jazyce, který se běžně používá v Keni. Tato funkce může být velmi užitečná pro zlepšení poskytování služeb v odlehlých oblastech.
Pomoc nemluvním osobám
Lidé, kteří nemluví, mohou Hlasový engine využít k řešení svých každodenních problémů. Aplikace alternativní komunikace Livox řídí AAC (Augmentativní a alternativní komunikace) zařízení, která usnadňují komunikaci pro osoby se zdravotním postižením. Pomocí Hlasového enginu mohou poskytnout nemluvním osobám jedinečné lidské hlasy v různých jazycích.
Asistence pacientům v obnovení hlasu
Hlasový engine je velmi prospěšný pro ty, kteří trpí náhlými nebo degenerativními stavy hlasu. AI model je nabízen jako součást zkušebního programu Institutu neurověd Normana Prince v Lifespan, neziskové zdravotní instituci, která je hlavním výukovým partnerem lékařské fakulty Brownovy univerzity, která léčí pacienty s neurologickými nebo onkologickými etiologiemi řečového postižení.
Celkově, schopnosti klonování hlasu Hlasového enginu jdou daleko za rámec jednoduché generace zvuku, protože pokrývají širokou škálu užití prospěšných mládeži, rozmanitým komunitám a nemluvním pacientům s řečovými problémy. OpenAI učinilo odvážný krok ve vývoji nástroje, který může být velmi užitečný pro lidi po celém světě, s jeho dalo by se říci až magickými „hlasovými“ funkcemi.
Obrázek 2 – DALL-E 3: Naklonované identické opice
Je Hlasový engine přístupný?
Ohlášení Hlasového enginu OpenAI, které naznačuje jejich záměr postupovat vpřed v technologii související s hlasem, následovalo po podání žádosti o ochrannou známku pro název. Společnost se prozatím rozhodla omezit dostupnost Hlasového enginu pro malý počet raných testerů, s ohledem na obavy z potenciálního zneužití a přidružených rizik. Rizika jsou o to více aktuálnější s nadcházejícími americkými volbami.
Jak OpenAI řeší zneužití „Deepfakes“ s Hlasovým enginem?
Uznávajíc vážná rizika spojená s napodobováním hlasu, zejména při citlivých příležitostech, jako jsou volby, OpenAI zdůrazňuje nutnost zodpovědného používání této technologie. Vzhledem k vážným důsledkům vytváření řeči, která znění velmi podobně jako hlas lidí, zejména během volebního roku, společnost odhalila, jaké preventivní opatření podniká, aby zmírnila tyto rizika.
Závěr
Hlasový engine od OpenAI otevírá nové horizonty v generování zvuku, přinášejícím revoluční potenciál i výzvy, které mohou radikálně transformovat interakci mezi lidmi a počítači. S postupným rozvojem v oblasti umělé inteligence od OpenAI se očekává, že tento nástroj zásadně ovlivní, jak technologie budou prostupovat naším životem. Nicméně až pouze čas ukáže, jak bude Hlasový engine přijat na globální úrovni a jaký dopad bude mít na budoucnost digitální komunikace.
Shrnutí
- OpenAI představilo Hlasový engine, revoluční nástroj pro klonování hlasu, který může za 15 sekund naklonovat váš hlas.
- Technologie vyžaduje pouze krátký záznam hlasu a text pro čtení k úspěšnému generování kopie hlasu s vysokou mírou realismu a emocionálního vyjádření.
- Hlasový engine byl trénován s použitím kombinace licencovaných a veřejně dostupných datových sad.
- Funkce zahrnují asistenci při čtení, překlad zvuku, spojení s komunitami po celém světě, pomoc nemluvním osobám a asistenci pacientům v obnovení hlasu.
- Přístup k Hlasovému enginu je zatím omezen na malý počet raných testerů z důvodu obav z potenciálního zneužití.
- OpenAI se snaží řešit zneužití technologie deepfakes a přijímá opatření, jako je použití vodotisku, pro sledování původu generovaného zvuku a monitorování jeho použití.
Zdroj:
- Meet openai’s “Voice engine”: An ai that can clone your voice. FavTutor Articles. (2024, March 31). https://favtutor.com/articles/openai-voice-engine/#:~:text=Highlights%3A%201%20OpenAI%20unveils%20Voice%20Engine%2C%20an%20AI,a%20few%20companies%2C%20keeping%20safety%20guidelines%20in%20mind.
