Visage d'un robot, voix d'un ange ?

La dernière fois que vous avez entendu un ordinateur convertir une ligne de texte en parole, il a probablement secoué. La division d'apprentissage automatique de Google, DeepMind, a développé un nouveau système de synthèse vocale utilisant l'intelligence artificielle qui, selon elle, améliorera la situation.

Avoir un ordinateur pour générer le son d'une voix n'est pas une idée nouvelle. L'approche la plus courante consiste peut-être simplement à utiliser une sélection incroyablement large de fragments de parole préenregistrés d'une seule personne. Dans une technique appelée synthèse concaténative, ceux-ci sont assemblés pour créer des sons, des mots et des phrases plus grands. C'est pourquoi de nombreux discours générés par ordinateur souffrent souvent de pépins, de changements d'intonation bizarres et de prononciation trébuchante.

L'autre approche concurrente utilise des modèles mathématiques pour recréer des sons connus qui sont ensuite assemblés en mots et en phrases. Bien que moins sujette aux problèmes, cette approche dite paramétrique finit par sembler robotique. Ce qui unit les deux approches, cependant, c'est qu'elles assemblent toutes les deux des morceaux de son, plutôt que de créer toute la forme d'onde audio à partir de zéro.

C'est exactement ce que fait l'approche de DeepMind. Les réseaux de neurones convolutifs de WaveNet sont enseignés en leur fournissant des clips de voix humaines réelles et les caractéristiques linguistiques et phonétiques correspondantes afin qu'ils puissent identifier des modèles reliant les deux. En utilisation, le système est fourni avec une nouvelle chaîne de caractéristiques sonores générées à partir d'une ligne de texte ; puis il tente de créer l'onde sonore brute pour la représenter à partir de zéro. Il le fait par étapes, en générant d'abord un échantillon de l'onde sonore, puis le suivant, et le suivant à chaque point en utilisant des informations sur les échantillons qu'il a déjà créés pour aider à en informer un nouveau.

Les résultats semblent convaincants— vous pouvez les écouter vous-même ici . Comparé aux approches concaténatives et paramétriques, il est nettement plus humain.

Il y a cependant un hic : la technique nécessite une tonne de puissance de calcul. Parce que WaveNet doit créer la forme d'onde entière, il doit utiliser ses processus de réseau neuronal pour générer 16 000 échantillons pour chaque seconde d'audio qu'il produit (et même alors, le son n'est équivalent qu'à la qualité du son envoyé par téléphone ou appels VoIP). Selon une source de DeepMind qui parlé au Financial Times (paywall), cela signifie qu'il ne sera utilisé dans aucun des produits Google pour le moment.

Pourtant, ce n'est pas le seul problème de langue auquel les ordinateurs sont confrontés. L'interprétation de la parole et de l'écrit est également notoirement difficile pour les systèmes d'intelligence artificielle. Au moins à ce rythme, lorsque les ordinateurs peuvent rassembler les ressources nécessaires pour générer des réflexions vraiment intelligentes, ils seront également capables de nous les communiquer avec un grand éclat.

(Lire la suite: DeepMind , Financial Times , problème de langage de l'IA)

cacher