Microsoft lanza VALL-E, una IA como ChatGPT que imita tu voz con solo oírte 3 segundos
Los diferentes sistemas de inteligencia artificial florecen últimamente y Microsoft no quiere quedarse atrás. Así, el gigante tecnológico de Redmond ha presentado VALL-E, una IA capaz de reproducir tu voz de forma casi idéntica tras solo escucharte hablar durante tres segundos. E incluso puede imitar emociones, ambiente acústico y diferentes énfasis en las frases.
Microsoft ha desarrollado su enfoque de modelado de lenguaje para la síntesis de texto a voz (TTS por sus siglas en inglés, text to speech). Y aseguran, como decimos, que “VALL-E emerge capacidades de aprendizaje en contexto y se puede utilizar para sintetizar voz personalizada de alta calidad con solo una grabación registrada de 3 segundos de un hablante”.
“Específicamente, entrenamos un modelo de lenguaje de códec neuronal utilizando códigos discretos derivados de un modelo de códec de audio neuronal listo para usar, y consideramos TTS como una tarea de modelado de lenguaje condicional en lugar de una regresión de señal continua como en el trabajo anterior. Durante la etapa previa al entrenamiento, escalamos los datos de entrenamiento de TTS a 60.000 horas de habla en inglés, lo que es cientos de veces más grande que los sistemas existentes”, explican.
Además, desde Microsoft están desarrollando VALL-E para que funcione con otros modelos de IA generativa, como GPT-3. Recordemos que la compañía dirigida por Satya Nadella acaba de anunciar que va a implementar ChatGPT dentro de sus principales soluciones, específicamente dijeron que llegará a Bing en el primer trimestre de este mismo año.
Los diferentes sistemas de inteligencia artificial florecen últimamente y Microsoft no quiere quedarse atrás. Así, el gigante tecnológico de Redmond ha presentado VALL-E, una IA capaz de reproducir tu voz de forma casi idéntica tras solo escucharte hablar durante tres segundos. E incluso puede imitar emociones, ambiente acústico y diferentes énfasis en las frases.
Microsoft ha desarrollado su enfoque de modelado de lenguaje para la síntesis de texto a voz (TTS por sus siglas en inglés, text to speech). Y aseguran, como decimos, que “VALL-E emerge capacidades de aprendizaje en contexto y se puede utilizar para sintetizar voz personalizada de alta calidad con solo una grabación registrada de 3 segundos de un hablante”.
“Específicamente, entrenamos un modelo de lenguaje de códec neuronal utilizando códigos discretos derivados de un modelo de códec de audio neuronal listo para usar, y consideramos TTS como una tarea de modelado de lenguaje condicional en lugar de una regresión de señal continua como en el trabajo anterior. Durante la etapa previa al entrenamiento, escalamos los datos de entrenamiento de TTS a 60.000 horas de habla en inglés, lo que es cientos de veces más grande que los sistemas existentes”, explican.
Además, desde Microsoft están desarrollando VALL-E para que funcione con otros modelos de IA generativa, como GPT-3. Recordemos que la compañía dirigida por Satya Nadella acaba de anunciar que va a implementar ChatGPT dentro de sus principales soluciones, específicamente dijeron que llegará a Bing en el primer trimestre de este mismo año.
