तंत्रिका नेटवर्क टैकोट्रॉन 2 मानव इंटोनेशन के साथ बोलता है, जिस पर इसे प्रशिक्षित किया जाता है

टैकोट्रॉन 2 आर्किटेक्चर। चित्रण के निचले भाग में, ऑफ़र-टू-ऑफ़र मॉडल दिखाए गए हैं जो अक्षरों के अनुक्रम को 80-आयामी अंतरिक्ष में विशेषताओं के अनुक्रम में अनुवाद करते हैं। तकनीकी विवरण के लिए एक वैज्ञानिक लेख देखें।

भाषण संश्लेषण - एक पाठ से मानव भाषण का कृत्रिम प्रजनन - पारंपरिक रूप से कृत्रिम बुद्धि के घटकों में से एक माना जाता है। पहले, इस तरह की प्रणाली केवल विज्ञान कथा फिल्मों में देखी जा सकती थी, लेकिन अब वे शाब्दिक रूप से प्रत्येक स्मार्टफोन में काम करते हैं: ये सिरी, ऐलिस और पसंद हैं। लेकिन वे बहुत यथार्थवादी उच्चारण नहीं करते हैं: निर्जीव आवाज, शब्द एक दूसरे से अलग होते हैं।

Google ने अगली पीढ़ी का भाषण सिंथेसाइज़र विकसित किया है। इसे टैकोट्रॉन 2 कहा जाता है और यह एक तंत्रिका नेटवर्क पर आधारित है। अपनी क्षमताओं को प्रदर्शित करने के लिए, कंपनी ने संश्लेषण के उदाहरण पोस्ट किए। उदाहरण के साथ पृष्ठ के निचले भाग में, आप एक परीक्षण ले सकते हैं और यह निर्धारित करने का प्रयास कर सकते हैं कि भाषण सिंथेसाइज़र द्वारा पाठ कहाँ वितरित किया गया है और व्यक्ति कहाँ है। अंतर का निर्धारण करना लगभग असंभव है।

दशकों के अनुसंधान के बावजूद, भाषण संश्लेषण वैज्ञानिक समुदाय के लिए एक आवश्यक कार्य है। पिछले वर्षों में, इस क्षेत्र में विभिन्न तकनीकें प्रबल हुई हैं: हाल ही में, टुकड़ों की पसंद के साथ संघनन संश्लेषण को सबसे उन्नत माना गया था - छोटे पूर्व-रिकॉर्ड किए गए ध्वनि टुकड़ों के साथ-साथ सांख्यिकीय पैरामीट्रिक भाषण संश्लेषण के संयोजन की प्रक्रिया, जिसमें शब्दकोष सुचारू रूप से सुचारू उच्चारण पथ का संश्लेषण करता है। दूसरी विधि ने टुकड़ों के बीच की सीमाओं पर कलाकृतियों के साथ संघनन संश्लेषण की कई समस्याओं को हल किया। हालांकि, दोनों मामलों में, संश्लेषित ध्वनि मानव भाषण की तुलना में धीमी और अप्राकृतिक लगती थी।

इसके बाद वेवनेट साउंड इंजन (टाइम डोमेन में वेवफॉर्म का एक जेनरिक मॉडल) आया, जो पहली बार मानव के लिए ध्वनि की गुणवत्ता को दिखाने में सक्षम था। अब इसका उपयोग डीप वॉयस 3 स्पीच सिंथेसिस सिस्टम में किया जाता है।

इससे पहले 2017 में, Google ने टैकोट्रॉन ऑफर-टू-ऑफर आर्किटेक्चर पेश किया था। यह वर्णों के अनुक्रम से एम्पलीट्यूड के स्पेक्ट्रोग्राम बनाता है। टैकोट्रॉन पारंपरिक ऑडियो इंजन कन्वेयर को सरल करता है। यहां, केवल डेटा पर प्रशिक्षित एकल तंत्रिका नेटवर्क द्वारा भाषाई और ध्वनिक विशेषताएं उत्पन्न की जाती हैं। वाक्यांश "वाक्य-से-वाक्य" का अर्थ है कि तंत्रिका नेटवर्क अक्षरों के अनुक्रम और ध्वनि के लिए विशेषताओं के अनुक्रम के बीच एक पत्राचार स्थापित करता है। 80-आयामी ऑडियो स्पेक्ट्रोग्राम में 12.5 मिलीसेकंड के फ्रेम के साथ संकेत उत्पन्न होते हैं।

तंत्रिका नेटवर्क न केवल शब्दों का उच्चारण सीखता है, बल्कि आवाज़, गति और स्वर जैसे विशिष्ट आवाज़ विशेषताओं को भी बताता है।

फिर, ग्रिफ़िन-लिम एल्गोरिथ्म (चरण अनुमान के लिए) और उलटे अल्पकालिक फूरियर रूपांतरण का उपयोग करके सीधे ध्वनि तरंगें उत्पन्न की जाती हैं। जैसा कि लेखकों ने कहा, यह तंत्रिका नेटवर्क की क्षमताओं को प्रदर्शित करने के लिए एक अस्थायी समाधान था। वास्तव में, वेवनेट इंजन और जैसे ग्रिफिन-लिम एल्गोरिथ्म से बेहतर ध्वनि बनाते हैं, और कलाकृतियों के बिना।

संशोधित टैकोट्रॉन 2 प्रणाली में, Google के विशेषज्ञों ने अभी भी वेवनेट नेटकोडर को तंत्रिका नेटवर्क से जोड़ा है। इस प्रकार, तंत्रिका नेटवर्क स्पेक्ट्रोग्राम बनाता है, और फिर वेवनेट का एक संशोधित संस्करण 24 kHz पर ध्वनि उत्पन्न करता है।

तंत्रिका नेटवर्क स्वतंत्र रूप से मानव आवाज़ की आवाज़ पर सीखता है (अंत-से-अंत), जो पाठ के साथ है। एक अच्छी तरह से प्रशिक्षित तंत्रिका नेटवर्क फिर ग्रंथों को इस तरह से पढ़ता है कि मानव भाषण की ध्वनि से अंतर करना लगभग असंभव है, जैसा कि वास्तविक उदाहरणों पर देखा जा सकता है।

शोधकर्ताओं ने ध्यान दिया कि डीप वॉयस 3 सिस्टम एक समान दृष्टिकोण का उपयोग करता है, लेकिन इसके संश्लेषण की गुणवत्ता अभी भी मानव भाषण के साथ तुलना नहीं की जा सकती है। लेकिन टैकोट्रॉन 2, तालिका में मीन ओपिनियन स्कोर (एमओएस) परीक्षा परिणाम देख सकता है।


एक और भाषण सिंथेसाइज़र है जो तंत्रिका नेटवर्क पर भी काम करता है - यह चारवव है , लेकिन इसकी पूरी तरह से अलग वास्तुकला है।

वैज्ञानिकों का कहना है कि सामान्य तौर पर, तंत्रिका नेटवर्क ठीक काम करता है, लेकिन फिर भी कुछ जटिल शब्दों (जैसे कि सज्जा या शार्लेट ) के उच्चारण में कठिनाई होती है। और कभी-कभी यह बेतरतीब ढंग से अजीब शोर पैदा करता है - इसके कारणों को अब स्पष्ट किया जा रहा है। इसके अलावा, सिस्टम वास्तविक समय में काम करने में सक्षम नहीं है, और लेखक अभी तक इंजन का नियंत्रण लेने में सक्षम नहीं हैं, अर्थात, इसके लिए वांछित इंटोनेशन सेट करें, उदाहरण के लिए, एक खुश या उदास आवाज़। इनमें से प्रत्येक समस्या अपने आप में दिलचस्प है, वे लिखते हैं।

वैज्ञानिक लेख 16 दिसंबर, 2017 को प्रीप्रिंट साइट arXiv.org (arXiv: 1712.05884v1) पर प्रकाशित किया गया था।