Як навучыць мадэль голасу штучнага інтэлекту? [Відэа і віктарына]

Кароткі адказ: навучыце мадэль голасу штучнага інтэлекту, выкарыстоўваючы ўзгодненыя, чыстыя запісы, дакладныя транскрыпцыі, дбайную папярэднюю апрацоўку, а затым дапрацуйце і пратэстуйце яе на рэальных сцэнарах. Вы атрымаеце лепшыя вынікі, калі набор дадзеных будзе аднолькавым для мікрафона, памяшкання, тэмпу і пунктуацыі. Калі якасць панізіцца, выпраўце дадзеныя, перш чым змяняць налады навучання.

Асноўныя высновы:

Згода: навучайце толькі галасы, якія належаць вам або на выкарыстанне якіх у вас ёсць пісьмовы дазвол.

Запісы: Выкарыстоўвайце адзін мікрафон, адзін пакой і адзін узровень энергіі на працягу ўсіх сесій.

Транскрыпты: дакладна супастаўляйце кожнае вымаўленае слова, уключаючы лічбы, запаўняльнікі, імёны і знакі прыпынку.

Ацэнка: Тэстуйце з дапамогай неакуратных, рэальных скрыптоў, а не проста адшліфаваных дэманстрацыйных радкоў.

Кіраванне: перад разгортваннем навучанага голасу вызначце доступ, раскрыццё інфармацыі і забароненае выкарыстанне.

Чаму людзі хочуць навучыцца трэніраваць галасавую мадэль штучнага інтэлекту? 🎧

Прычын шмат, і некаторыя з іх мацнейшыя за іншыя.

Большасць людзей трэніруюць галасавыя мадэлі, таму што хочуць:

• Стварайце агучку, не запісваючы кожны сцэнар уручную

• Стварыце паслядоўны голас апавядальніка для відэа ці падкастаў

• Хутчэй лакалізуйце кантэнт

• Зрабіце лічбавыя прадукты больш персаналізаванымі

• Захаваць голас для даступнасці або архіўнага выкарыстання

• Эксперыментуйце з галасамі персанажаў для гульняў або апавядання гісторый 🎮

Акрамя таго, ёсць практычны бок. Запіс новага аўдыё кожны раз хутка зношваецца. Навучаная мадэль можа зэканоміць час, знізіць выдаткі на студыю і даць вам галасавы рэсурс паўторнага выкарыстання, які маштабуецца.

Тым не менш, давайце ўдакладнім — тэхналогіяй можна таксама злоўжываць. Таму, перш чым захапляцца працоўным працэсам, усталюйце адно правіла: трэніруйцеся толькі на тым голасе, які вам належыць або на які вы маеце відавочны дазвол .Ніякіх апраўданняў, ніякіх «проста тэстаў», ніякіх сумніўных эксперыментаў з клонамі. Гэты шлях хутка становіцца непрыемным.

Што робіць галасавую мадэль штучнага інтэлекту добрай? ✅

Добрая мадэль голасу са штучным інтэлектам — гэта не проста «выразнае» гучанне. Яно гучыць праўдападобна, стабільна, выразна і паслядоўна ў розных тыпах тэксту.

Вось што звычайна адрознівае прыстойную мадэль ад той, якую людзям сапраўды падабаецца слухаць:

• Чыстыя запісы — без гулу, рэха, націсканняў на клавішы або рэверберацыі ў пакоі

• Паслядоўная падача — падобная адлегласць да мікрафона, энергія прамовы і налада пакоя

• Натуральны тэмп — не занадта паспешлівы, не балюча павольны

• Шырокі ахоп вымаўлення — дастатковая разнастайнасць слоў, імёнаў, лічбаў і формаў сказаў

• Кантроль эмоцый — нават нейтральная мадэль не павінна гучаць унутры глуха 😬

• Дакладнасць выраўноўвання тэксту — транскрыпцыі павінны належным чынам адпавядаць аўдыё

• Нізкі ўзровень артэфактаў — менш збояў, праглынутых слоў або рабатызаванага хістання

«Ідэальны» голас для радыё не заўсёды найлепшы варыянт. Трохі недасканалы, але добра запісаны голас часта лепш падыходзіць для аўдыё, бо з самага пачатку гучыць па-чалавечы. Занадта адшліфаваны голас можа стаць жорсткім. Занадта нязмушаны можа стаць брудным. Гэта балансаванне — трохі падобна на спробу падсмажыць хлеб агнямётам... магчыма, магчыма, але наўрад ці элегантна.

Асноўныя структурныя элементы навучання галасавой мадэлі штучнага інтэлекту 🧱

Перш чым перайсці да інструментаў і экранаў навучання, карысна зразумець асноўныя часткі. Кожны працоўны працэс, незалежна ад платформы, звычайна ўключае ў сябе наступныя інгрэдыенты:

1. Галасавыя дадзеныя

Гэта ваш сыравіна — запісаныя маўленчыя кліпы.

2. Стэнаграмы

Кожнаму аўдыёкліпу патрэбен адпаведны тэкст. Калі транскрыпцыя няправільная, мадэль засвоіць няправільную рэч. Даволі проста, крыху раздражняе.

3. Папярэдняя апрацоўка

Гэта ўключае ў сябе абрэзку цішыні, нармалізацыю гучнасці, выдаленне шуму і падзел доўгіх запісаў на зручныя сегменты.

4. Мадэльнае навучанне

Менавіта тут сістэма вывучае сувязь паміж тэкстам і галасавымі шаблонамі прамоўцы.

5. Ацэнка

Вы правяраеце, наколькі натуральна, дакладна і стабільна гучыць голас.

6. Даводка

Вы карэктуеце мадэль, паляпшаеце дадзеныя, перавучваеце або дадаяце лепшыя ўзоры.

Таму, калі людзі пытаюцца, як навучыць мадэль голасу са штучным інтэлектам?,яны часта ўяўляюць сабе, што навучанне — гэта ўся гісторыя. Гэта не так. Навучанне — гэта толькі адзін этап у ланцужку. Вельмі важны ланцужок, безумоўна, але ўсё ж толькі адно звяно.

Параўнальная табліца - найбольш распаўсюджаныя спосабы падыходу да яе 📊

Ніжэй прыведзена практычнае параўнанне асноўных маршрутаў, якія выбіраюць людзі. Не кожны варыянт падыходзіць для кожнага праекта, і гэта нармальна.

Няма універсальнага пераможцы. Для большасці людзей дапрацоўка папярэдне навучанай мадэлі з дапамогай высакаякасных галасавых дадзеных . Гэта дае добрыя вынікі, не прымушаючы вас самастойна будаваць увесь касмічны карабель.

Крок 1 — Запішыце правільныя галасавыя дадзеныя, а не проста іх шмат 🎤

Вось тут і пачынаецца якасць. Менавіта тут многія праекты ціха развальваюцца.

Многія людзі мяркуюць, што больш гуку аўтаматычна азначае лепшую прадукцыйнасць. Часам так. Часам зусім не. Дзесяць гадзін няроўных запісаў могуць саступіць адной гадзіне чыстага, паслядоўнага маўлення.

Як выглядаюць якасныя запісаныя дадзеныя

• Той самы мікрафон па ўсім наборы дадзеных

• Той жа пакой, тая ж базавая налада запісу

• Мінімальны фонавы шум

• Натуральны тон мовы

• Выразная дыкцыя без празмернага тэатральнага гучання

• Дыяпазон даўжыні сказаў і фанетычных камбінацый

Добры мэтавы набор дадзеных часта ўключае

• Кароткія размоўныя радкі

• Больш доўгія тлумачальныя сказы

• Пытанні

• Лічбы і даты — аднак пазбягайце ўказання канкрэтных гадоў у вашых сцэнарыях, калі яны вам не патрэбныя

• Імёны, месцы і складаныя выпадкі вымаўлення

• Паўзы, коскі і рытм, абумоўлены пунктуацыяй

Практычныя парады па запісе

• Запісвайце ў ціхім пакоі з мяккай мэбляй

• Трымайце мікрафон у фіксаваным становішчы

• Пазбягайце пстрычак ротам, робячы перапынкі на ваду і хадзячы

• Не перапрацоўвайце аўдыё падчас перадачы

• Падтрымлівайце стабільны ўзровень энергіі

І вось невялікая бомба праўды: калі прамоўца гучыць стомлена ў сярэдзіне сесіі, мадэль таксама можа засвоіць гэты прыглушаны тон. Галасавыя мадэлі падобныя на губкі ў навушніках.

Крок 2 - Падрыхтуйце транскрыпцыі так, быццам ад гэтага залежыць жыццё вашай мадэлі 📝

Таму што, у пэўным сэнсе, гэта так.

Якасць транскрыпцыі мае велізарнае значэнне. Мадэль вучыцца на спалучэнні аўдыё і тэксту. Калі прамоўца кажа адно, а транскрыпцыя — іншае, адлюстраванне становіцца нядбайным. Нядбайнае адлюстраванне прыводзіць да нязручнага сінтэзу — прапушчаных слоў, няправільна вымаўленых фраз, выпадковых схем націску і таму падобнай лухты.

Вашы транскрыпты павінны быць

• Дакладныя супадзенні з вуснымі словамі

• Паслядоўны стыль пунктуацыі

• Чыста адфарматаваны

• Без арфаграфічных памылак

• Без непатрэбных сімвалаў, калі толькі яны не патрэбныя вашаму інструменту

Вырашыце загадзя, як паводзіць сябе

• Лічбы - «42» супраць «сорак два»

• Скарачэнні — «Доктар» супраць «Доктар»

• Напаўняльнікі - «гм», «э», «ну, ты ведаеш»

• Смех ці ўздыхі

• Спецыяльныя назвы або замежныя словы

Некаторыя стваральнікі спрабуюць аўтаматычна транскрыбаваць усё і рухацца далей. Вядома, гэта спакусліва. Але аўтаматычная транскрыпцыя патрабуе праверкі чалавекам, асабліва імёнаў, акцэнтаў, тэхнічнай лексікі і пунктуацыі. Транскрыпцыя з дакладнасцю 95% гучыць даволі добра на паперы. На трэніроўках гэтыя адсутныя 5% могуць гучна гучаць.

Крок 3 - Ачысціце і сегментуйце набор дадзеных для навучання ✂️

Гэтая частка стомная. Я ведаю. Гэта таксама адзін з самых важных крокаў.

Вы хочаце, каб ваш набор дадзеных быў разбіты на зручныя для кіравання фрагменты, звычайна дастаткова кароткія, каб мадэль магла вывучыць зразумелыя сувязі паміж тэкстам і аўдыё, не губляючыся ў гіганцкіх запісах.

Добрая сегментацыя звычайна азначае

• Кліпы кароткія і сфакусаваныя

• Цішыня абрэзана, але не парэзана ненатуральна

• Адна стэнаграма на кліп

• Няма перакрыццяў у маўленні

• Няма музычных ложкаў

• Ніякіх рэзкіх скачкоў прыросту

Звычайныя задачы па ўборцы

• Зніжэнне шуму

• Нармалізацыя гучнасці

• Абрэзка цішыні

• Выдаленне абрэзаных або скажоных дубляў

• Паўторны экспарт у фармат, неабходны вашаму навучальнаму стэку

Аднак тут ёсць пастка. Залішняя ачыстка можа зрабіць голас ломкім. Нельга пазбаўляць яго чалавечнасці. Некалькі лёгкіх удыхаў і натуральнай тэкстуры — гэта нармальна — нават карысна. Стэрыльны гук можа ператварыцца ў стэрыльны сінтэз, і ніхто не хоча голас, які гучыць так, быццам яго набралі ў электроннай табліцы 😬

Крок 4 - Выберыце праграму навучання, якая адпавядае вашаму ўзроўню майстэрства ⚙️

Вось у чым сэнс: людзі альбо занадта ўскладняюць, альбо занадта спрашчаюць.

Увогуле, у вас ёсць тры рэальныя варыянты:

Варыянт А — выкарыстанне хостынгаванай навучальнай платформы

Лепш за ўсё, калі вам патрэбна хуткасць і зручнасць.

Плюсы:

• Прасцейшы інтэрфейс

• Менш тэхнічнай налады

• Хутчэйшы шлях да карыснай прадукцыі

• Звычайна ўключае інструменты вываду

Мінусы:

• Менш кантролю

• Кошт можа назапашвацца

• Паводзіны мадэлі могуць быць абмежаваныя

Варыянт B — Дапрацоўка мадэлі TTS з адкрытым зыходным кодам або карыстальніцкай мадэлі

Лепш за ўсё, калі вам патрэбна якасць і гнуткасць.

Плюсы:

• Большы кантроль над трэніроўкамі

• Лепшая налада

• Прасцей аптымізаваць для вашага набору дадзеных

Мінусы:

• Патрабуе некаторых тэхнічных ведаў

• Больш спроб і памылак

• Апаратнае забеспячэнне важнейшае

Варыянт C - Навучанне з нуля

Лепш за ўсё, калі вы праводзіце перадавыя даследаванні або ствараеце нешта спецыялізаванае.

Плюсы:

• Максімальны кантроль архітэктуры

• Паводзіны мадэлі, адаптаваныя да патрэбаў

Мінусы:

• Велізарныя патрэбы ў дадзеных

• Больш працяглы цыкл эксперыментаў

• Вельмі лёгка марнаваць час, энергію і цярпенне

Для большасці людзей — і так, гэта тычыцца і разумных распрацоўшчыкаў з абмежаванай прапускной здольнасцю — тонкая налада — гэта разумны выбар. Гэта залатая сярэдзіна. Не крыкліва, не прымітыўна, проста эфектыўна.

Крок 5 — Трэніруйцеся, ацэньвайце, а потым зноў трэніруйцеся... бо так яно і бывае 🔁

Тут сістэма пачынае вывучаць галасавыя шаблоны.

Падчас навучання мадэль спрабуе звязаць фанемы, рытм, прасодыю і вакальную ідэнтычнасць з транскрыпцыяй аўдыёўзораў. У залежнасці ад фрэймворка, вы таксама можаце навучацца або спалучаць яго з вакадэрам, стылёвым кадавальнікам, сістэмай убудавання дынамікаў або тэкставым фронтэндам. Так, гэта мудрагелістая мова, але асноўная ідэя застаецца нязменнай — навучыць тэкст станавіцца гэтым голасам.

Што вы кантралюеце падчас трэніровак

• Значэнні страт

• Стабільнасць вымаўлення

• Натуральнасць гуку

• Тэмп маўлення

• Эмацыйная паслядоўнасць

• Наяўнасць артэфактаў

Прыкметы таго, што ваша мадэль паляпшаецца

• Менш скажоных слоў

• Больш плаўныя пераходы

• Больш праўдападобных паўз

• Лепшае апрацоўванне незнаёмых сказаў

• Стабільная ідэнтыфікацыя голасу на ўсіх выхадах

Прыкметы таго, што нешта ідзе не так

• Металічны або гудзены выхадны гук

• Паўтаральныя склады

• Невыразныя зычныя

• Выпадковы драматычны акцэнт

• Плоская, безжыццёвая дастаўка

• Зрух голасу ад аднаго ўзору да наступнага

І так, ітэрацыя — гэта нармальна. Вельмі нармальна. Першы навучаны вынік можа быць шматабяцальным, але крыху недакладным. Магчыма, ён гучыць правільна, але чытаецца занадта павольна. Магчыма, ён добра апрацоўвае кароткія радкі і спатыкаецца на больш доўгіх сцэнарах. Магчыма, ён добра спраўляецца з апавяданнем, але няўпэўнена спраўляецца з лічбамі. Гэта не значыць, што праект праваліўся. Гэта азначае, што вы цяпер дайшлі да той часткі, якая мае значэнне.

Крок 6 - Дакладная налада для рэалізму, эмоцый і кантролю 🎭

Вось тут і пачынае прыстойная мадэль ператварацца ў тую, якая заслугоўвае свайго месца.

Пасля таго, як асноўны голас спрацоўвае, наступная задача — кантроль. Вам трэба не проста, каб голас існаваў. Вам трэба, каб ён паводзіў сябе адпаведна.

Сферы, якія вартыя дапрацоўкі

• Прасодыя - узвышэнне і падзенне, натуральны акцэнт, тэмп

• Эмоцыі - спакойныя, энергічныя, цёплыя, сур'ёзныя

• Стыль маўлення — размоўны, навучальны, кінематаграфічны

• Перавызначэнне вымаўлення - назвы брэндаў, жаргон, імёны

• Апрацоўка сказаў , асабліва доўгіх або складаных структур

Шмат стваральнікаў спыняюцца занадта рана. Яны атрымліваюць голас, які «гучыць як голас прамоўцы», і кажуць, што на гэтым усё. Але аднаго падабенства недастаткова. Выдатная мадэль натуральна чытаецца ў розных тыпах сцэнарыяў. Яна павінна апрацоўваць падручнік, рэкламны радок і абзац дыялогу, не ствараючы ўражання, што яна змяніла характар ​​у сярэдзіне твора.

Вось чаму на пытанне « Як навучыць мадэль голасу штучнага інтэлекту?» няма адназначнага адказу. Сапраўдны поспех прыходзіць з навучання і ўдасканалення. Мадэль, якая адпавядае стандартам на 80%, усё роўна можа здацца няправільнай. Гэтыя апошнія 20%? Значна важнейшыя, чым здаецца на першы погляд.

Крок 7 - Праверце гэта на рэальных скрыптах, а не толькі на чыстых дэманстрацыйных радках 🧪

Калі ласка, не ацэньвайце сваю мадэль, выкарыстоўваючы толькі ідэальныя кароткія тэставыя фразы накшталт «Прывітанне і сардэчна запрашаем на канал». Гэта дэманстрацыйная прынада.

Выкарыстоўвайце таксама грубыя, рэалістычныя сцэнарыі:

• Доўгія абзацы

• Назвы прадуктаў

• Лічбы і сімвалы

• Пытанні

• Хуткія пераходы

• Эмацыйныя зрухі

• Нязручная пунктуацыя

• Фрагменты размоў

Добрымі прыкладамі стрэс-тэстаў з'яўляюцца

• Уступны падручнік

• Тлумачэнне службы падтрымкі кліентаў

• Абзац апавядання

• Сцэнар з вялікай колькасцю спісаў

• Радок з назвамі брэндаў і абрэвіятурамі

• Сказ, які змяняе тон у сярэдзіне

Чаму гэта важна? Таму што адшліфаваныя дэманстрацыйныя лініі льсціць слабым мадэлям. Рэальны кантэнт іх выкрывае. Гэта як тэставаць аўтамабіль, павольна коцячы яго па пад'язной дарожцы — тэхнічна рух, а не зусім доказ.

Крок 8 — Пазбягайце памылак, з-за якіх галасавыя мадэлі гучаць фальшыва 🚫

Некаторыя памылкі з'яўляюцца зноў і зноў.

Распаўсюджаныя праблемы

• Выкарыстанне шумных або рэхападобных запісаў

• Змешванне некалькіх мікрафонаў

• Навучанне з дрэннымі транскрыптамі

• Зліццё самых розных стыляў маўлення ў адзін набор дадзеных

• Чакаецца, што малюсенькія наборы дадзеных будуць гучаць прэміяльна

• Празмерная ачыстка аўдыё

• Ігнараванне памежных выпадкаў вымаўлення

• Прапусканне ацэнкі пасля кожнага праходу паляпшэння

Яшчэ адна велізарная памылка

Навучанне мадэлі без выразных межаў выкарыстання.

Вам варта вызначыць:

• Хто можа карыстацца голасам

• Дзе яго можна разгарнуць

• Ці патрэбна раскрыццё інфармацыі

• Якія віды кантэнту забароненыя

• Як афармляецца згода

Гэта можа гучаць сумна, нават крыху карпаратыўна. Але гэта важна. Голас — гэта асабіста. Вельмі асабіста, насамрэч. Таму і стаўцеся да гэтага адпаведна.

Этычныя і практычныя правілы, якія ніколі не павінны быць неабавязковымі 🛡️

Гэта заслугоўвае асобнага раздзела, бо занадта шмат людзей хаваюць гэта бліжэй да канца, як зноску.

Пры стварэнні галасавой мадэлі:

• Атрымайце відавочную згоду ад дакладчыка

• Захоўвайце запісы пісьмовых дазволаў

• Не выдаваць сябе за рэальных людзей без дазволу

• Пазначайце сінтэтычны кантэнт, калі гэта мэтазгодна

• Абараніце неапрацаваныя галасавыя дадзеныя

• Абмежаваць доступ да навучаных мадэляў

• Праверка вынікаў перад публікацыяй

Існуе таксама больш шырокая праблема даверу. Аўдыторыя становіцца больш уважлівай. Яна часта адчувае, калі гук здаецца «недарэчным», нават калі не можа растлумачыць чаму. Такім чынам, празрыстасць не толькі этычная — яна практычная. Давер лягчэй захаваць, чым аднавіць.

Заключныя думкі пра тое, як навучыць мадэль голасу штучнага інтэлекту? 🎯

Такім чынам, як навучыць мадэль голасу штучнага інтэлекту? Вы пачынаеце са згоды, чыстых запісаў і дакладных транскрыпцый. Затым вы старанна рыхтуеце набор дадзеных, выбіраеце правільны шлях навучання, старанна ацэньваеце і тонка наладжваеце, пакуль голас не будзе гучаць стабільна і натуральна ў жывых сцэнарыях.

Гэта сапраўдны адказ.

Не гламурна, магчыма. Але праўда.

Людзі, якія дасягаюць выдатных вынікаў, звычайна робяць некалькі рэчаў лепш за ўсіх астатніх:

• Яны паважаюць дадзеныя

• Яны не спяшаюцца з ачысткай транскрыпцыі

• Яны тэстуюць на грубых, рэалістычных сцэнарыях

• Яны працягваюць ітэрацыі пасля першага «дастаткова добрага» выніку

• Яны разумеюць, што праўдападобная прамова — гэта часткова тэхнічны працэс, часткова майстэрства аўдыё, часткова цярпенне... і крыху ўпартасці 😄

Калі ваша мэта — голас, які гучыць чалавеча, заслугоўвае даверу і практычны, менш засяроджвайцеся на кароткіх шляхах і больш на ланцужку: добра запісвайце, добра чысціце, добра ўзгадняйце, уважліва трэніруйцеся, крытычна слухайце, свядома ўдасканальвайцеся. Гэта шлях.

І так, гэта трохі падобна на садоўніцтва з кодам. Ведаю, што гэта не ідэальная метафара. Але вы саджаеце патрэбны матэрыял, старанна даглядаеце яго, і праз нейкі час нешта дзіўна жывое пачынае гаварыць у адказ.

Прыклад з рэальнага свету: стварэнне мадэлі голасу апавядання на аснове згоды 🎙️

Сцэнар

Уявіце сабе невялікі адукацыйны канал на YouTube, які штотыдзень публікуе тры тлумачальныя відэа. Вядучы запісвае кожны апавядальны тэкст уручную, але пераздачы, мантаж і здымкі пачынаюць запавольваць увесь графік.

Мэта не ў тым, каб замяніць голас вядучага без дазволу. Вядучы валодае каналам, падпісвае пісьмовую згоду і запісвае чысты набор даных спецыяльна для навучання. Навучаны голас выкарыстоўваецца толькі для чарнавікоў апавядання першага праходу, нязначных змяненняў сцэнарыя і кароткіх выпраўленняў, калі вядучы недаступны.

Гэта рэалістычны выпадак выкарыстання, бо галасавая мадэль падтрымлівае ўласны працоўны працэс стваральніка, а не прыкідваецца кімсьці іншым.

Што патрэбна памочніку

Для гэтай устаноўкі стваральнік рыхтуе:

• 90 хвілін чыстага апавядання, запісанага з дапамогай аднаго і таго ж мікрафона

• Дакладныя транскрыпцыі для кожнага кліпа

• Просты спіс вымаўлення назваў брэндаў, абрэвіятур і агульных тэматычных слоў

• Дакумент са згодай, у якім пазначана, дзе можна выкарыстоўваць голас

• Папка са сцэнарыямі тэстаў, якая ўключае падручнікі, раздзелы з вялікай колькасцю спісаў, пытанні і нязручную пунктуацыю

• Кантрольны спіс для праверкі якасці гуку, вымаўлення, тону і раскрыцця інфармацыі

Галоўнае правіла простае: не пачынайце навучанне, пакуль транскрыпцыі і аўдыё не будуць ідэальна чыстымі. Тут добра падыходзіць просты, паслядоўны матэрыял. Просты, паслядоўны матэрыял добра трэніруе.

Прыклад інструкцыі

Выкарыстоўвайце зацверджаны голас вядучага для стварэння спакойнага, прыязнага адукацыйнага апавядання. Захоўвайце натуральны тэмп, пазбягайце празмерных эмоцый і выразна вымаўляйце тэхнічныя тэрміны. Калі сцэнар утрымлівае лічбы, даты, абрэвіятуры або назвы прадуктаў, захавайце іх дакладна ў тым выглядзе, у якім яны напісаны. Не стварайце прамовы для палітычнай падтрымкі, медыцынскіх кансультацый, фінансавых абяцанняў або выдавання сябе за іншую асобу. Пазначце любыя радкі, якія могуць патрабаваць праверкі чалавекам перад экспартам аўдыё.

Як гэта праверыць

Пачніце з пяці кароткіх сцэнарыяў замест поўнага тыражу.

Тэставы сцэнар 1: 30-секунднае ўступленне да канала з адным пытаннем і адным заклікам да дзеяння.

Тэставы сцэнар 2: Двуххвілінны раздзел з падручнікам і пранумараванымі крокамі.

Тэставы сцэнар 3: Абзац з нязручнай пунктуацыяй, дужкамі, працяжнікамі і зменай тону ў сярэдзіне сказа.

Тэставы сцэнар 4: Скрыпт з вялікай колькасцю спісаў, якія змяшчаюць імёны, абрэвіятуры, цэны і даты.

Тэставы сцэнар 5: Карэкціруючы радок, які павінен адпавядаць тону ўжо апублікаванага відэа.

Пасля стварэння аўдыё параўнайце кожны вынік з кантрольным спісам:

• Ці голас усё яшчэ гучаў як голас зацверджанага прамоўцы?

• Ці ўсе імёны і лічбы былі вымаўлены правільна?

• Ці адчувалася тэмп натуральным?

• Ці былі там паўтаральныя склады, металічныя гукі ці праглынутыя словы?

• Ці ўхваліў бы вядучы гэта без перазапісу?

• Ці патрэбна ў канчатковым відэа раскрыццё інфармацыі сінтэтычным голасам?

Вынік

Ілюстрацыйны вынік: зыходзячы з таго, што пяці прыкладам задач па агучванні былі запланаваны час да і пасля выкарыстання гэтага працоўнага працэсу, стваральнік змог скараціць час на агучванне першага праходу з 40 хвілін на кожны сцэнар аб'ёмам 600 слоў да прыблізна 12 хвілін.

Аснова вымярэння: час поўнага працэсу ад адкрыцця сцэнарыя да экспарту файла агучвання, гатовага да рэцэнзавання.

У тым жа тэсце з пяці сцэнарыяў стваральнік можа адсочваць:

• Згенеравана 5 скрыптоў

• 3 прынятыя пасля невялікай рэдагавання

• 2 адпраўлены назад на выпраўленне вымаўлення

• Знойдзена 11 праблем з вымаўленнем

• 0 кліпаў апублікавана без праверкі чалавекам

• 100% вынікаў правераны на адпаведнасць правілам згоды і выкарыстання

Гэтыя лічбы не з'яўляюцца доказам таго, што кожная галасавая мадэль будзе працаваць аднолькава. Яны паказваюць практычныя паказчыкі, якія маюць значэнне: зэканомлены час, працэнт праходжання праверак, памылкі вымаўлення і тое, ці быў выкананы працэс кіравання.

Што можа пайсці не так

Найбольш распаўсюджаная памылка — гэта занадта ранняе выкарыстанне мадэлі. Калі першы вынік гучыць «амаль правільна», можа ўзнікнуць спакуса апублікаваць яго хутка. Гэта рызыкоўна. Невялікія збоі ў тэмпе, акцэнце або вымаўленні становяцца больш відавочнымі, калі аўдыё трапляе ў гатовае відэа.

Іншыя праблемы ўключаюць:

• Трэніроўка на старых запісах з іншым мікрафонам

• Змешванне стомленых дубляў з энергічнымі

• Прапусканне аўтатранскрыптаў без праверкі

• Забыццё праверыць лічбы, імёны і абрэвіятуры

• Даць занадта шмат людзей доступ да галасавой мадэлі

• Выкарыстанне голасу для кантэнту, на які прамоўца ніколі не згаджаўся

• Заяўкі аб павышэнні прадукцыйнасці без належнага спланавання працоўнага працэсу

Практычны вывад

Моцная мадэль голасу са штучным інтэлектам — гэта не проста хітры аўдыё-трук. Гэта кантраляваны вытворчы актыў. Ставіцеся да яго адпаведна: атрымлівайце згоду, запісвайце чыстыя дадзеныя, тэстуйце з дапамогай ужытых вытворчых сцэнарыяў, вымярайце ўзровень памылак і трымайце рэцэнзента ў курсе, перш чым што-небудзь стане публічным.

Часта задаваныя пытанні

Як навучыць галасавую мадэль штучнага інтэлекту ад пачатку да канца?

Навучанне мадэлі голасу штучнага інтэлекту звычайна пачынаецца са згоды, чыстых запісаў і дакладных транскрыпцый. Далей працоўны працэс праходзіць праз папярэднюю апрацоўку, сегментацыю, навучанне мадэлі, ацэнку і тонкую наладу. У артыкуле падкрэсліваецца, што навучанне — гэта толькі адна частка больш працяглага працэсу, і добрыя вынікі атрымліваюцца пры правільным выкананні кожнага этапу, а не пры выкарыстанні аднаго інструмента або скарочанага спосабу.

Колькі гуку трэба для навучання добрай мадэлі голасу штучнага інтэлекту?

Больш аўдыё можа дапамагчы, але якасць важнейшая за працягласць. У кіраўніцтве адзначаецца, што адна гадзіна чыстага, паслядоўнага маўлення можа пераўзысці шмат гадзін шумных або нераўнамерных запісаў. Моцны набор дадзеных звычайна ўключае розныя тыпы сказаў, лічбы, імёны, пытанні і натуральны тэмп, таму мадэль вывучае, як прамоўца апрацоўвае паўсядзённы тэкст.

Якія запісы найлепш падыходзяць для навучання галасавой мадэлі?

Найлепшыя запісы чыстыя, паслядоўныя і зробленыя ў аднолькавых умовах па ўсім наборы даных. Гэта азначае выкарыстанне аднаго і таго ж мікрафона, аднаго і таго ж пакоя і пастаяннай адлегласці для размовы, пазбягаючы пры гэтым рэха, гулу, шуму клавіятуры і інтэнсіўнай апрацоўкі. Натуральная падача таксама мае значэнне, бо мадэль будзе паглынаць тэмп, тон і энергію прамоўцы.

Чаму транскрыпцыі так важныя пры навучанні галасавой мадэлі?

Транскрыпты важныя, таму што мадэль вучыцца на спалучэнні вуснага гуку і пісьмовага тэксту. Калі транскрыпцыя не адпавядае таму, што было сказана, мадэль можа ўспрымаць слабыя шаблоны вымаўлення, няправільна расстаўлены акцэнт або прапушчаныя словы. У артыкуле таксама падкрэсліваецца важнасць захавання паслядоўнасці ў выкарыстанні лічбаў, скарачэнняў, слоў-запаўняльнікаў і пунктуацыі перад пачаткам навучання.

Як трэба ачышчаць і сегментаваць аўдыё перад трэніроўкай?

Аўдыё трэба падзяліць на кароткія, сфакусаваныя кліпы з адной адпаведнай стэнаграмай для кожнага кліпа. Звычайная падрыхтоўчая праца ўключае абрэзку цішыні, нармалізацыю гучнасці, памяншэнне шуму і выдаленне скажоных дубляў або накладання мовы. Кіраўніцтва таксама папярэджвае аб празмернай ачыстцы, бо выдаленне кожнага ўдыху і фрагмента тэкстуры можа зрабіць канчатковы голас стэрыльным і менш натуральным.

Які найлепшы спосаб навучыць галасавую мадэль штучнага інтэлекту, калі вы не эксперт?

Для большасці людзей тонкая налада папярэдне навучанай мадэлі з'яўляецца найбольш практычным шляхам. Ён прапануе больш эфектыўны баланс паміж якасцю, патрэбамі ў дадзеных і тэхнічнымі намаганнямі, чым навучанне з нуля, і дае большы кантроль, чым простая платформа без кода. Размешчаныя інструменты хутчэй выкарыстоўваюцца, але тонкая налада, як правіла, з'яўляецца залатой сярэдзінай, якая дае больш моцныя і адаптыўныя вынікі.

Як даведацца, ці паляпшаецца ваша мадэль голасу штучнага інтэлекту падчас навучання?

Паляпшэнне звычайна выяўляецца ў больш плаўным маўленні, меншай колькасці скажоных слоў, лепшых паўзах і больш стабільным голасе падчас розных падказак. Папераджальныя прыкметы ўключаюць металічны тон, паўтаральныя склады, невыразныя зычныя, плоскую падачу і зрух голасу паміж узорамі. У артыкуле падкрэсліваецца, што ацэнка — гэта не аднаразовая праверка, а частка пастаяннага цыклу тэсціравання і перападрыхтоўкі.

Як зрабіць так, каб мадэль голасу штучнага інтэлекту гучала больш рэалістычна і выразна?

Пасля таго, як базавая мадэль запрацуе, наступным крокам будзе ўдасканаленне прасодыі, эмоцый, тэмпу і стылю маўлення. Рэалістычны голас патрабуе большага, чым проста падабенства маўлення, бо ён павінен спраўляцца з падручнікамі, апавяданнем, рэкламнымі радкамі і больш доўгімі ўрыўкамі, не гучачы скавана або непаслядоўна. Дакладная налада таксама дапамагае з карэкціроўкай вымаўлення і паляпшае тое, як мадэль апрацоўвае больш доўгія і складаныя сказы.

Што варта праверыць перад выкарыстаннем мадэлі голасу штучнага інтэлекту ў прадукцыйнай рабоце?

Не спадзявайцеся толькі на кароткія дэманстрацыйныя радкі, якія робяць амаль любую мадэль прыстойнай. Кіраўніцтва рэкамендуе тэставаць з доўгімі абзацамі, нязручнай пунктуацыяй, назвамі прадуктаў, абрэвіятурамі, лічбамі, пытаннямі і эмацыйнымі зменамі. Поўныя сцэнарыі значна хутчэй выяўляюць слабыя бакі, асабліва калі мадэлі даводзіцца спраўляцца са зменамі тону, складанымі фразамі або зместам, перапоўненым спісамі.

Якіх этычных правілаў варта прытрымлівацца пры навучанні галасавой мадэлі штучнага інтэлекту?

У артыкуле згода разглядаецца як неабмеркаваная. Вы павінны трэніравацца толькі на тым голасе, якім валодаеце вы або на які маеце відавочны дазвол, захоўваць пісьмовыя запісы, абараняць неапрацаваныя галасавыя дадзеныя, абмяжоўваць доступ да навучанай мадэлі і вызначаць выразныя межы выкарыстання. Таксама рэкамендуецца маркіраваць сінтэтычны аўдыё, калі гэта мэтазгодна, і пазбягаць любой імітацыі рэальных людзей без дазволу.

Спасылкі

1. Microsoft Learn — відавочны дазвол — learn.microsoft.com

2. Даведачны цэнтр ElevenLabs - голас, якім вы валодаеце - help.elevenlabs.io

3. Дакументацыя па NVIDIA NeMo Framework - Папярэдняя апрацоўка - docs.nvidia.com

4. Дакументацыя па прымусовым выраўноўванні ў Манрэалі - Дакладнасць выраўноўвання тэксту - montreal-forced-aligner.readthedocs.io

5. Федэральная гандлёвая камісія ЗША — Не выдавайце сябе за рэальных людзей без дазволу — ftc.gov

6. Нацыянальны інстытут стандартаў і тэхналогій — пазначайце сінтэтычны кантэнт, калі гэта мэтазгодна — nist.gov

Знайдзіце найноўшы штучны інтэлект у афіцыйнай краме памочнікаў штучнага інтэлекту

Пра нас