AI የድምጽ ንድፍ ከጽሑፍ መግለጫዎች

የድምጽ ክሎኒንግ እና የድምጽ ንድፍ የተለያዩ ችግሮችን ይፈታሉ. ክሎኒንግ የአንድ የተወሰነ ሰው ዋቢ ኦዲዮን ይወስዳል እና በዚያ ተናጋሪ ባህሪያት ላይ ከጽሑፍ-ወደ-ንግግር ሞዴልን አስቀምጧል፣ ስለዚህም ውጤቱ እንደነሱ ይመስላል። የድምፅ ንድፍ ከቃላት ይጀምራል. ስርአቱ የእድሜ፣ የፆታ አቀራረብ፣ ቅጥነት፣ ንግግሮች፣ ፍጥነቶች፣ ሸካራነት እና ስሜት ከዚህ ቀደም ያልነበረውን ድምጽ ይገልፃል። ከባዱ ክፍል የስልጠና መረጃ ነው። መግለጫዎች ከድምጾች ጋር ​​እንዴት እንደሚዛመዱ ለማወቅ አንድ ሞዴል ከገለፃዎች ጋር የተጣመረ ትልቅ መጠን ያለው ንግግር ያስፈልገዋል፣ እና በሺዎች የሚቆጠሩ ሰዓቶችን በእጅ ምልክት ማድረግ ውድ ነው። የ 2024 ወረቀት ከ Stability AI እና ከኤድንበርግ ዩኒቨርስቲ አንድ መፍትሄ አሳይቷል ። እንደ ቃና፣ የንግግር ፍጥነት፣ ጫጫታ እና ማስተጋባት ያሉ ባህሪያትን በራስ ሰር ለካ፣ ከተናጋሪ መለያዎች ጋር አዋህዶ፣ እና የቋንቋ ሞዴል ወደ ተፈጥሯዊ ድምፃዊ መግለጫዎች እንዲቀይራቸው አድርጓል። የHugging Face ክፍት ምንጭ Parler-TTS የተገነባው በዚያ አካሄድ ነው። እንደ ElevenLabs'የድምጽ ዲዛይን ባህሪ ያሉ የንግድ መሳሪያዎች ከአንድ ጥያቄ ብዙ እጩዎችን ያመነጫሉ እና ተጠቃሚዎች የሚወዱትን እንዲያድኑ ያስችላቸዋል። የድምፅ ማንነትን (ቲምሬ፣ ሬንጅ ክልል፣ አክሰንት) ከማድረስ (ስሜት፣ ፍጥነት፣ አጽንዖት) ለመለየት ይረዳል። አንዳንድ ስርዓቶች፣ እንደ OpenAI's steerable TTS ሞዴሎች፣ የተቀናጀ ድምጽ እንዴት መናገር እንዳለበት ያስተምሩዎታል፣ ይህም አቅርቦትን ይለውጣል ነገር ግን አዲስ ማንነት አይፈጥርም። የድምፅ ንድፍ ማንነቱን ራሱ ይፈጥራል. ውሱንነቱ እውን ነው። "ሙቅ" ማለት ለተለያዩ ሰዎች የተለያዩ ነገሮች ማለት ስለሆነ መግለጫዎቹ ግልጽ አይደሉም። ከተመሳሳይ ጥያቄ ሁለት ጊዜ ማመንጨት ብዙ ጊዜ የተለያዩ ድምፆችን ይሰጣል። በስልጠናው መረጃ ላይ እምብዛም የማይታዩ ዘዬዎች እና ዕድሜዎች አሳማኝ በሆነ መልኩ ተሰርተዋል። የተለመደ የተሳሳተ ግንዛቤ የተቀየሰ ድምጽ ማንንም ሊመስል አይችልም. በአጋጣሚ ከእውነተኛ ሰው ጋር ሊሰማ ይችላል, እና ብዙ አገልግሎቶች እውነተኛ ሰዎችን የሚሰይሙ ጥያቄዎችን ያግዳሉ. የተነደፉ ድምጾች አብዛኛዎቹን የክሎኒንግ የስምምነት ችግሮችን ያስወግዳሉ፣ ነገር ግን ኦዲዮው ሰው ሰራሽ መሆኑን ማሳወቅ አሁንም አስፈላጊ ነው።