Le laboratoire d'intelligence artificielle de Baidu dévoile un système de synthèse vocale

Dans la bataille pour appliquer les techniques d'apprentissage en profondeur au monde réel, une entreprise se démarque de la concurrence. La filiale DeepMind de Google a utilisé la technique pour créer des machines capables de battre les humains aux jeux vidéo et à l'ancien jeu de Go. Et l'année dernière, les services de Google Traduction se sont considérablement améliorés grâce à l'introduction en coulisse de techniques d'apprentissage en profondeur.

Il est donc intéressant de voir comment d'autres entreprises font la course pour rattraper leur retard. Aujourd'hui, c'est au tour de Baidu, une société de recherche sur Internet parfois décrite comme l'équivalent chinois de Google. En 2013, Baidu a ouvert un laboratoire de recherche sur l'intelligence artificielle dans la Silicon Valley, soulevant une question intéressante : qu'en est-il ?

Maintenant, le laboratoire d'intelligence artificielle de Baidu a révélé ses travaux sur la synthèse vocale. L'un des défis de la synthèse vocale est de réduire la quantité de réglages fins qui se déroulent dans les coulisses. La grande percée de Baidu est de créer une machine d'apprentissage en profondeur qui élimine en grande partie ce type d'ingérence. Le résultat est un système de synthèse vocale appelé Deep Voice qui peut apprendre à parler en quelques heures avec peu ou pas d'interférence humaine.

Tout d'abord un peu de contexte. Les systèmes de synthèse vocale sont familiers dans le monde moderne dans les applications de navigation, les horloges parlantes, les répondeurs téléphoniques, etc. Traditionnellement, ceux-ci ont été créés en enregistrant une grande base de données de discours d'un seul individu, puis en recombinant les énoncés pour créer de nouvelles phrases.

Le problème avec ces systèmes est qu'il est difficile de passer à un nouveau locuteur ou de changer l'emphase de ses mots sans enregistrer une base de données entièrement nouvelle. Les informaticiens ont donc travaillé sur une autre approche. Leur objectif est de synthétiser la parole en temps réel à partir de zéro selon les besoins.

L'année dernière, DeepMind de Google a fait une percée significative dans ce domaine. Il a dévoilé un réseau de neurones qui apprend à parler en écoutant les ondes sonores de la parole réelle tout en comparant cela à une transcription du texte. Après entraînement, il était capable de produire un discours synthétique basé sur le texte qui lui avait été donné. Google DeepMind a appelé son système WaveNet.

Le travail de Baidu est une amélioration de WaveNet, qui nécessite encore quelques ajustements au cours du processus de formation. WaveNet est également exigeant en termes de calcul, à tel point qu'il n'est pas clair s'il pourrait jamais être utilisé pour synthétiser la parole en temps réel dans le monde réel.

Baidu dit avoir surmonté ces problèmes. Son approche est relativement simple. Il utilise des techniques d'apprentissage en profondeur pour convertir le texte en plus petites unités sonores perceptuellement distinctes, appelées phénomènes. Il utilise ensuite un réseau de synthèse vocale pour reproduire ces sons. La principale différence ici est que chaque étape du processus fonctionne par apprentissage en profondeur, de sorte qu'une fois formé, il n'y a guère besoin d'ajustement humain.

Prenez, par exemple, le mot bonjour. Le système de Baidu doit d'abord déterminer les frontières des phénomes de la manière suivante : (silence HH), (HH, EH), (EH, L), (L, OW), (OW, silence). Il les alimente ensuite dans un système de synthèse vocale, qui prononce le mot.

Les seules variables que le nouveau système ne contrôle pas sont les accents sur les phonèmes, leur durée et la fréquence naturelle du son. Cela permet à Baidu de changer la voix de l'orateur et l'émotion que le mot transmet.

Tout cela est exigeant en termes de calcul. Le taux d'échantillonnage pour une parole réaliste est de l'ordre de 48 kilohertz. Ainsi, un ordinateur dispose d'environ 20 microsecondes pour générer chaque échantillon. Parce que le processus de création de ce son implique plusieurs couches, chacune d'entre elles doit faire son travail en 1,5 microsecondes. Pour mettre cela en contexte, l'accès à une valeur qui réside dans la mémoire principale d'un processeur peut prendre 0,1 microseconde.

Pour effectuer une inférence en temps réel, nous devons prendre grand soin de ne jamais recalculer les résultats, de stocker l'intégralité du modèle dans le cache du processeur (par opposition à la mémoire principale) et d'utiliser de manière optimale les unités de calcul disponibles, expliquent les chercheurs de Baidu.

Néanmoins, ils affirment que la synthèse vocale en temps réel est possible avec leur système et l'ont testé en crowdsourcing des perceptions de celui-ci sur Mechanical Turk d'Amazon. Cela impliquait de demander à un grand nombre d'auditeurs d'évaluer la qualité de l'audio tout en la comparant à des données de vérité terrain sous la forme d'un enregistrement humain original.

Baidu dit que les résultats sont de haute qualité. Nous optimisons l'inférence à des vitesses plus rapides qu'en temps réel, montrant que ces techniques peuvent être appliquées pour générer de l'audio en temps réel en mode streaming, disent-ils.

Mais ce qui est encore plus important, c'est l'utilité du système, qui peut être rapidement recyclé sur des ensembles de données entièrement nouveaux. Notre système peut être entraîné sans aucune intervention humaine, ce qui simplifie considérablement le processus de création de systèmes de synthèse vocale, explique l'équipe.

C'est un travail intéressant qui s'appuie sur les efforts de Google pour améliorer considérablement les systèmes de synthèse vocale. C'est important parce que le rêve vieux de plusieurs décennies des auteurs de science-fiction est de pouvoir parler aux ordinateurs en temps réel et qu'ils répondent. La synthèse vocale en est une partie importante.

Bien sûr, il est peu probable que DeepMind de Google (ou qui que ce soit d'autre dans le monde de l'apprentissage en profondeur) soit resté immobile pendant que Baidu perfectionne son système de synthèse vocale. Ce ne sera sûrement qu'une question de temps avant de voir ce qu'ils ont fait et comment cela se compare.

Réf : arxiv.org/abs/1702.07825 : Deep Voice : synthèse vocale neuronale en temps réel

cacher