वेवनेट: कंप्यूटर-संश्लेषित मानव जैसा भाषण

डीपमाइंड Google का कृत्रिम बुद्धि विकास में संलग्न एक स्वसंपूर्ण विभाजन है। इस कंपनी ने AlphaGo विकसित किया , एक प्रणाली जिसने विश्व चैंपियन गो ली सेडोल को हराया।

लेकिन डीपमाइंड केवल खेलों के बारे में नहीं है। अब कंपनी के कर्मचारी कंप्यूटर आधारित भाषण संश्लेषण प्रणाली विकसित कर रहे हैं। अन्य सभी डीपमाइंड परियोजनाओं की तरह, यहां कृत्रिम बुद्धिमत्ता का कमजोर रूप शामिल है। विशेषज्ञों के अनुसार, वह नाटकीय रूप से संश्लेषित भाषण के साथ स्थिति में सुधार कर सकती है।

भाषण को संश्लेषित करने के लिए कंप्यूटर का उपयोग करना बिल्कुल भी नया विचार नहीं है। सबसे सरल उपाय एक नंबर में अनुवादित वास्तविक व्यक्ति के भाषण के टुकड़ों का उपयोग करना है। हम अलग-अलग ध्वनियों के बारे में बात कर रहे हैं जो अधिक जटिल ध्वनि वाक्यांश, शब्द और वाक्य बनाते हैं। लेकिन इस पद्धति को आदर्श नहीं कहा जा सकता। यहां, कोई भी व्यक्ति उच्चारण और सूचना के साथ समस्याओं को तुरंत नोटिस करता है।

अन्य मामलों में, विभिन्न गणितीय मॉडल का उपयोग ध्वनियों को संश्लेषित करने के लिए किया जाता है जिसमें से शब्द और वाक्य इकट्ठे किए जा सकते हैं। समस्याएं पिछले मामले की तरह ही हैं। और यह तुरंत स्पष्ट करता है कि मशीन क्या कहती है, व्यक्ति नहीं।



दोनों विधियाँ उसी में समान हैं जैसे बड़े और अधिक जटिल छोटे टुकड़ों से इकट्ठे होते हैं। इस तरह के संकलन के परिणामस्वरूप, कंप्यूटर शब्दों और जटिल वाक्यांशों का उच्चारण करता है।

तीसरी विधि, वेवनेट, जिसे डीपमाइंड द्वारा प्रस्तावित किया गया है, पिछले दो के गुणों को जोड़ती है। विधि वास्तविक मानव आवाज़ के टुकड़ों का उपयोग करके तंत्रिका नेटवर्क के प्रशिक्षण का उपयोग करती है। इस प्रणाली में प्रत्येक व्यक्तिगत मामले के अनुरूप भाषाविज्ञान और ध्वनिविज्ञान के नियमों के बारे में जानकारी प्राप्त होती है। प्रक्रिया में, सिस्टम पाठ की एक पंक्ति दिखाता है और आपको ध्वनियों के उपयुक्त सेट में "सुनने" की अनुमति देता है। उसके बाद, सिस्टम कई टुकड़ों का उपयोग करके मानव भाषण को संश्लेषित करने की कोशिश करता है। यह प्रत्येक विशिष्ट टुकड़े के उदाहरण पर प्रशिक्षण के साथ कदम से कदम किया जाता है। विकास इस तरह से किया जाता है कि प्रत्येक पिछले "पारित सामग्री" ने तंत्रिका नेटवर्क को एक नए कार्य का विचार दिया।

WaveNet क्या कर सकता है और एक पारंपरिक भाषण संश्लेषण प्रणाली का एनालॉग एक कप बनाने के लिए है। एक पारंपरिक कंप्यूटर-आधारित भाषण संश्लेषण प्रणाली एक कप बनाने के लिए लेगो ईंटों का उपयोग करती है। नतीजतन, कप अच्छा दिखता है, लेकिन यह काफी कप नहीं है, लेकिन इसकी नकल है। लेकिन वेवनेट कप बनाने के लिए मिट्टी का उपयोग करता है। कुम्हार के पहिये के बिना, काम मैन्युअल रूप से किया जाता है, लेकिन कप एक कप जैसा दिखता है। तो भाषण के साथ। वेवनेट मानव भाषण को संश्लेषित करता है, जो कि हम जो करने के लिए उपयोग किया जाता है उससे थोड़ा अलग है, लेकिन बहुत महत्वपूर्ण नहीं है।

परिणाम प्रभावशाली है। आप सुन सकते हैं कि यहां क्या हुआ । यह पहले से ही वास्तव में मानव लगता है। बेशक, मतभेद हैं, लेकिन वे अब अन्य मामलों की तरह महत्वपूर्ण नहीं हैं।



एकमात्र समस्या यह है कि इस पद्धति के लिए बहुत कंप्यूटर समय और संसाधनों की आवश्यकता होती है। एक प्रणाली जो बुद्धिमान मानव भाषण उत्पन्न कर सकती है वह बहुत शक्तिशाली होनी चाहिए। तथ्य यह है कि वेवनेट, मानव भाषण को संश्लेषित करने के लिए, हर सेकंड 16,000 ऑडियो नमूनों को संसाधित करता है। और इस मामले में भी, परिणाम औसत गुणवत्ता का है। हालांकि, "आदमी या मशीन" की परिभाषा के लिए परीक्षणों में परिणाम लगभग 50% था। यानी, आधे स्वयंसेवकों ने मशीन द्वारा बनाए गए ऑडियो सैंपल को सुनकर सोचा कि यह किसी व्यक्ति द्वारा कहा गया है।

DeepMind के शोधकर्ताओं ने पहले ही सिस्टम में 44 घंटे से अधिक का भाषण डाउनलोड किया है। सिस्टम में लोड किए गए शब्द, ध्वनि और वाक्यांश अंग्रेजी बोलने वाले प्रयोग में 109 प्रतिभागियों के हैं। जैसा कि यह निकला, वेवनेट प्रयोग में लगभग प्रत्येक प्रतिभागियों के भाषण का अनुकरण कर सकता है। सिस्टम मूल "स्पीकर" की आकांक्षा और भाषण दोष भी पुन: पेश करता है।

इस तथ्य के बावजूद कि प्रणाली पहले से ही काफी अच्छी तरह से बोलती है, यह अभी भी वास्तविक पूर्णता से दूर है। एक और समस्या यह है कि एआई का कमजोर रूप अभी तक भाषा को समझने में सक्षम नहीं है। आईबीएम ने अपने आईबीएम वाटसन संज्ञानात्मक प्रणाली के साथ इस क्षेत्र में अधिकतम सफलता प्राप्त की है। लेकिन यहां, अब तक, हम बहुत जटिल और लिखित आदेशों को नहीं पहचानने के बारे में बात कर रहे हैं, साथ ही सरल सवालों के जवाब भी दे रहे हैं। संज्ञानात्मक प्रणालियाँ अभी भी एक वार्तालाप को बनाए रखने में सक्षम नहीं हैं। फिर भी, प्रौद्योगिकियां विकसित हो रही हैं, और विशेषज्ञों का कहना है कि 5-10 वर्षों में स्थिति नाटकीय रूप से बदल सकती है।

कई वैज्ञानिकों का तर्क है कि अब एआई के कमजोर रूप में अभी भी मन के विशिष्ट घटकों का अभाव है। और यह नेटवर्क के आकार पर निर्भर नहीं करता है। "भाषा अन्य संभावनाओं पर बनी है, संभवत: भाषा में महारत हासिल करने से पहले ही बच्चों के लिए गहरी और वर्तमान में पड़ी है: दुनिया की दृश्य धारणा, हमारे मोटर तंत्र के साथ काम करना, दुनिया की भौतिकी की समझ और अन्य प्राणियों के इरादे," टेनेनम कहते हैं ।



डीपमाइंड और ऑक्सफोर्ड यूनिवर्सिटी के शोधकर्ताओं की एक टीम वर्तमान में एक अन्य परियोजना पर काम कर रही है । यह एआई के मजबूत रूप के लिए एक सशर्त "लाल बटन" का निर्माण है, जो संभवतः, एक व्यक्ति के कृत्रिम दिमाग बनाने के बाद किसी व्यक्ति के नियंत्रण से बाहर निकल सकता है।

Source: https://habr.com/ru/post/hi397327/