ภาพรวม
WaveNet ซึ่งเปิดตัวโดย DeepMind ในปี 2559 เป็นโครงข่ายประสาทเทียมที่ก้าวล้ำซึ่งสร้างเสียงดิบครั้งละหนึ่งตัวอย่าง ทำให้เกิดเสียงพูดและเสียงที่เป็นธรรมชาติอย่างน่าทึ่ง โดยกำหนดมาตรฐานสมัยใหม่สำหรับการอ่านออกเสียงข้อความที่มีความเที่ยงตรงสูง
WaveNet อยู่ในเวิร์กโฟลว์เสียง-AI ที่เปลี่ยนคำพูด เพลง และเสียงเพื่อการสื่อสาร การเข้าถึง และการผลิตสื่อ
เจาะลึก
WaveNet เป็นโมเดลกำเนิดสัญญาณอัตโนมัติ: โดยคาดการณ์ตัวอย่างเสียงแต่ละตัวอย่างที่มีเงื่อนไขกับตัวอย่างทั้งหมดที่อยู่ก่อนหน้า โดยทั่วไปจะอยู่ที่ 16,000 หรือ 24,000 ตัวอย่างต่อวินาที นวัตกรรมหลักของมันคือการโน้มน้าวใจเชิงสาเหตุแบบซ้อน สาเหตุหมายถึงแบบจำลองดูย้อนหลังเท่านั้น โดยรักษาลำดับการสร้าง การขยายหมายถึงแต่ละเลเยอร์จะข้ามจำนวนตัวอย่างที่เพิ่มขึ้นแบบทวีคูณ ดังนั้นสแต็กขนาดเล็กจึงครอบคลุมตัวอย่างหลายพันตัวอย่าง (ช่องรับสัญญาณที่กว้าง) โดยไม่มีค่าใช้จ่ายจำนวนมาก ด้วยคุณสมบัติทางภาษาหรือเมลสเปกโตรแกรม WaveNet จึงสร้างเสียงพูดที่เป็นธรรมชาติมากกว่าตัวแปลงเสียงแบบต่อกันและแบบพาราเมตริกที่อยู่ก่อนหน้า ซึ่งปิดช่องว่างอย่างมากจากการบันทึกของมนุษย์และขับเคลื่อน Google Assistant เวอร์ชันแรกๆ
ข้อมูลเชิงลึกทางเทคนิค
การบิดแบบขยายเป็นเคล็ดลับสำคัญ: ด้วยอัตราการขยายที่ 1, 2, 4, 8 และอื่น ๆ เครือข่ายที่มีความลึกเพียงสิบชั้นเท่านั้นที่สามารถจัดการกับตัวอย่างที่ผ่านมาหลายพันตัวอย่าง โดยจับทั้งรายละเอียดรูปคลื่นที่ละเอียดและโครงสร้างฉันทลักษณ์ที่ยาวขึ้น เอาต์พุตจำลองค่าของแต่ละตัวอย่างเป็นการแจกแจงตามหมวดหมู่ (แต่เดิม 256 ระดับผ่านการรวม mu-law) และหน่วยการเปิดใช้งานแบบมีรั้วรอบขอบชิดบวกกับการเชื่อมต่อที่เหลือและแบบข้ามทำให้การฝึกสแต็คที่ลึกมากนี้มีเสถียรภาพ
การเรียนรู้ WaveNet
WaveNet ซึ่งเปิดตัวโดย DeepMind ในปี 2559 เป็นโครงข่ายประสาทเทียมที่ก้าวล้ำซึ่งสร้างเสียงดิบครั้งละหนึ่งตัวอย่าง ทำให้เกิดเสียงพูดและเสียงที่เป็นธรรมชาติอย่างน่าทึ่ง โดยกำหนดมาตรฐานสมัยใหม่สำหรับการอ่านออกเสียงข้อความที่มีความเที่ยงตรงสูง WaveNet อยู่ในเวิร์กโฟลว์เสียง-AI ที่เปลี่ยนคำพูด เพลง และเสียงเพื่อการสื่อสาร การเข้าถึง และการผลิตสื่อ หากต้องการสร้างความเข้าใจอย่างลึกซึ้ง ให้ถือว่า WaveNet เป็นโมเดลการดำเนินงาน ไม่ใช่คุณลักษณะเดียว: กำหนดผลลัพธ์ที่ต้องการ ชี้แจงสมมติฐาน และแยกสิ่งที่ระบบสามารถทำได้อย่างน่าเชื่อถือจากสิ่งที่ยังต้องใช้วิจารณญาณจากผู้เชี่ยวชาญ
ในทางปฏิบัติ ทีมที่แข็งแกร่งที่ใช้ WaveNet ถือว่าคุณภาพ เวลาแฝง และความยินยอมเป็นส่วนสำคัญของกลยุทธ์การปรับใช้ โดยจะบันทึกเกณฑ์ความสำเร็จที่ชัดเจน ทดสอบกับข้อมูลและขั้นตอนการทำงานที่สมจริง และทำซ้ำตามรูปแบบความล้มเหลวที่สังเกตได้ แทนที่จะชนะการวัดประสิทธิภาพเพียงครั้งเดียว นี่คือจุดที่ความเข้าใจทางทฤษฎีกลายเป็นความสามารถที่คงทนของผลิตภัณฑ์ นโยบาย และการดำเนินงาน
ปรับปรุงการเข้าถึงผ่านการถอดเสียง คำบรรยาย และอินเทอร์เฟซเสียง ในขณะเดียวกัน การใช้ Voice ในทางที่ผิดและการแอบอ้างบุคคลอื่นก็มีความเสี่ยงเพิ่มขึ้นเมื่อไม่ได้รับความยินยอม แนวทางที่ยืดหยุ่นที่สุดคือการรวมความเร็วของการทดลองเข้ากับวินัยในการกำกับดูแล: ดำเนินการนำร่อง จับหลักฐาน เผยแพร่บันทึกการตัดสินใจ และอัปเดตการป้องกันอย่างต่อเนื่องเมื่อพฤติกรรมของโมเดล ความคาดหวังของผู้ใช้ และข้อกำหนดด้านกฎระเบียบมีการเปลี่ยนแปลง
ผลกระทบเชิงกลยุทธ์
ปรับปรุงการเข้าถึงผ่านการถอดเสียง คำบรรยาย และอินเทอร์เฟซเสียง
ปรับปรุงการเข้าถึงผ่านการถอดเสียง คำบรรยาย และอินเทอร์เฟซเสียง ในการปรับใช้คุณภาพสูง สิ่งนี้จะถูกแปลเป็นกฎการปฏิบัติงานที่วัดผลได้ ขอบเขตความเป็นเจ้าของ และขั้นตอนการตรวจสอบที่เกิดซ้ำ เพื่อให้ทีมสามารถปรับขนาดความมั่นใจแทนที่จะปรับขนาดความคลุมเครือ
ทีมสื่อสามารถจัดส่งเสียงที่สวยงามได้รวดเร็วยิ่งขึ้นด้วยงบประมาณที่น้อยลง
ทีมสื่อสามารถจัดส่งเสียงที่สวยงามได้รวดเร็วยิ่งขึ้นด้วยงบประมาณที่น้อยลง ในการปรับใช้คุณภาพสูง สิ่งนี้จะถูกแปลเป็นกฎการปฏิบัติงานที่วัดผลได้ ขอบเขตความเป็นเจ้าของ และขั้นตอนการตรวจสอบที่เกิดซ้ำ เพื่อให้ทีมสามารถปรับขนาดความมั่นใจแทนที่จะปรับขนาดความคลุมเครือ
ระบบที่ติดต่อกับลูกค้าสามารถประมวลผลการโต้ตอบด้วยเสียงในขนาดที่ใหญ่ขึ้น
ระบบที่ติดต่อกับลูกค้าสามารถประมวลผลการโต้ตอบด้วยเสียงในขนาดที่ใหญ่ขึ้น ในการปรับใช้คุณภาพสูง สิ่งนี้จะถูกแปลเป็นกฎการปฏิบัติงานที่วัดผลได้ ขอบเขตความเป็นเจ้าของ และขั้นตอนการตรวจสอบที่เกิดซ้ำ เพื่อให้ทีมสามารถปรับขนาดความมั่นใจแทนที่จะปรับขนาดความคลุมเครือ
การใช้งานจริงในโลกแห่งความเป็นจริง
การสร้างเสียงที่เป็นธรรมชาติสำหรับ Google Assistant และ Google Cloud Text-to-Speech
ทำหน้าที่เป็นตัวแสดงประสาทที่เปลี่ยนเมลสเปกโตรแกรมให้เป็นรูปคลื่นในไปป์ไลน์ TTS เช่น Tacotron 2
การสังเคราะห์เปียโนและดนตรีบรรเลงที่สมจริงจากเสียงดิบ
การสังเคราะห์เสียงสำหรับเครื่องมือช่วยการเข้าถึงและการบรรยายหนังสือเสียง
รูปแบบการดำเนินงาน
WaveNet ในทางปฏิบัติ
การสร้างเสียงที่เป็นธรรมชาติสำหรับ Google Assistant และ Google Cloud Text-to-Speech
การสร้างเสียงที่เป็นธรรมชาติสำหรับ Google Assistant และ Google ทีมการแปลงข้อความเป็นคำพูดบนระบบคลาวด์มักจะได้รับผลลัพธ์ที่ดีกว่า เมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการทำงานที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
WaveNet ในทางปฏิบัติ
ทำหน้าที่เป็นตัวส่งเสียงประสาทที่เปลี่ยนเมลสเปกโตรแกรมให้เป็นรูปคลื่นในไปป์ไลน์ TTS เช่น Tacotron 2
ทำหน้าที่เป็นตัวแสดงประสาทที่เปลี่ยนเมลสเปกโตรแกรมให้เป็นรูปคลื่นในไปป์ไลน์ TTS เช่น Tacotron 2 Teams มักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งการเพิ่มผลผลิตและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
WaveNet ในทางปฏิบัติ
การสังเคราะห์เปียโนและดนตรีบรรเลงที่สมจริงจากเสียงดิบ
การสังเคราะห์เปียโนและดนตรีบรรเลงที่สมจริงจากเสียงดิบ ทีมมักจะได้ผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
WaveNet ในทางปฏิบัติ
การสังเคราะห์เสียงสำหรับเครื่องมือช่วยการเข้าถึงและการบรรยายหนังสือเสียง
การสังเคราะห์เสียงสำหรับเครื่องมือช่วยการเข้าถึงและการบรรยายหนังสือเสียง ทีมมักจะได้ผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการทำงานที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
ความเสี่ยงและรั้ว
การใช้เสียงในทางที่ผิดและการแอบอ้างบุคคลอื่นมีความเสี่ยงเพิ่มขึ้นเมื่อขาดความยินยอม
ความแม่นยำอาจลดลงตามสำเนียง ภาษาถิ่น หรือสภาพแวดล้อมที่มีเสียงดัง
เสียงสังเคราะห์อาจถูกเข้าใจผิดว่าเป็นเสียงพูดที่แท้จริงโดยไม่มีการกำกับที่ชัดเจน
แผนงานการดำเนินงาน
ได้รับความยินยอมอย่างชัดแจ้งสำหรับการจับเสียง การโคลน และการใช้ซ้ำ
ได้รับความยินยอมอย่างชัดแจ้งสำหรับการจับเสียง การโคลน และการใช้ซ้ำ ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น
ทดสอบคุณภาพกับลำโพงและสภาพพื้นหลังที่หลากหลาย
ทดสอบคุณภาพกับลำโพงและสภาพพื้นหลังที่หลากหลาย ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น
กำหนดเวลาที่มนุษย์จะต้องตรวจสอบหรืออนุมัติผลลัพธ์
กำหนดเวลาที่มนุษย์จะต้องตรวจสอบหรืออนุมัติผลลัพธ์ ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น
ติดป้ายกำกับเสียงสังเคราะห์และเก็บบันทึกที่มาเพื่อความรับผิดชอบ
ติดป้ายกำกับเสียงสังเคราะห์และเก็บบันทึกที่มาเพื่อความรับผิดชอบ ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น