人工知能音声技術の 3 つの主要な課題

人工知能の専門家は、音声読み上げテクノロジーに関して、よく 3 つの共通の障害に遭遇します。

人工知能 (AI) が人間のようなデータを生成できるようになるという見通しは、何十年も前から語られてきました。しかし、データサイエンティストはこの問題に取り組んできましたが、成功は限られていました。このようなシステムを構築するための効果的な戦略を正確に特定するには、技術的な問題から倫理的な問題、そしてその間のあらゆる問題に至るまでの課題が生じます。しかし、生成型 AI が注目すべき明るい材料として浮上しています。

最も基本的なところでは、生成 AI により、機械が音声ファイル、テキスト、画像などの要素を使用して、音声から書き込み、芸術に至るまでのコンテンツを生成できるようになります。テクノロジー投資会社 Sequoia Capita は、「生成 AI はより速く、より安価になるだけでなく、場合によっては人間が作成した人工知能よりも優れたものになるでしょう。」と述べています。言論は大きな進歩を遂げてきましたが、その道のりはまだ長いです。実際、音声圧縮は、Zoom や Teams など、1980 年代から 1990 年代のテクノロジーに今も基づいている、人々が大きく依存しているアプリに使用されています。音声には音声テクノロジーの無限の可能性がありますが、生成 AI 開発の妨げとなる課題と欠点を評価することが重要です。

AI 実務者が音声読み上げテクノロジーに関して直面する一般的な 3 つの障害を次に示します。

1. 音質

最高の対話の最も重要な部分は、おそらく理解できることです。音声読み上げテクノロジーの場合、目標は人間のように聞こえることです。たとえば、Siri や Alexa のロボットのイントネーションは機械のようであり、必ずしも明確ではありません。いくつかの理由から人工知能でこれを達成することは困難ですが、人間の言語のニュアンスが大きな役割を果たします。

メラビアンの法則はこれを説明するのに役立ちます。人間の会話は 3 つの部分に分けることができます。表情が 55%、声のトーンが 38%、テキストがわずか 7% です。機械の理解は言葉やコンテンツに依存して機能します。最近の自然言語処理 (NLP) の進歩によってのみ、気分、感情、音色、その他の言語の重要な (ただし話し言葉である必要はない) 側面に基づいて AI モデルをトレーニングすることが可能になりました。視覚ではなく音声のみを扱う場合は、理解の半分以上が顔の表情から得られるものではないため、さらに困難になります。

2. レイテンシー

包括的な AI 分析には時間がかかる場合がありますが、音声対音声コミュニケーションではリアルタイムだけが重要です。音声変換は、話すときにすぐに行われる必要があります。また、正確でなければなりませんが、ご想像のとおり、これは機械にとって簡単な作業ではありません。

リアルタイムの必要性は業界によって異なります。たとえば、ポッドキャストを行うコンテンツ クリエイターは、リアルタイムの音声変換よりも音質に関心があるかもしれません。しかし、顧客サービスのような業界では時間が非常に重要です。コールセンターのエージェントが音声支援 AI を使用して発信者に応答する場合、品質がある程度犠牲になる可能性があります。それでも、ポジティブな体験を提供するには時間が非常に重要です。

3. スケール

音声読み上げテクノロジーがその可能性を発揮するには、さまざまなアクセント、言語、方言をサポートし、特定の地域だけでなく誰もが利用できる必要があります。または市場。これには、テクノロジーの特定のアプリケーションを習得し、効果的に拡張するために多くの調整とトレーニングを行う必要があります。

新興テクノロジー ソリューションは、万能ではありません。特定のソリューションに対して、すべてのユーザーは、この AI インフラストラクチャをサポートするために何千ものアーキテクチャを必要とします。ユーザーは、モデルの一貫したテストも期待する必要があります。これは新しいことではありません。機械学習の古典的な課題はすべて、生成 AI の分野にも当てはまります。

では、人々はどのようにしてこれらの問題を解決し、音声読み上げテクノロジーの価値を認識し始めるのでしょうか? 幸いなことに、段階的に分解してみると、それほど怖くなくなります。まず、問題をマスターする必要があります。先ほど、コールセンターとコンテンツクリエイターの例を挙げました。ユースケースと望ましい結果について必ず考慮し、そこから先に進むようにしてください。

2 番目に、組織が適切なアーキテクチャとアルゴリズムを備えていることを確認します。しかし、そうなる前に、ビジネスに適切なデータがあることを確認してください。データの品質は、特に人間の言語や音声と同じくらい機密性の高いものを考慮する場合に重要です。最後に、アプリケーションでリアルタイム音声変換が必要な場合は、その機能がサポートされていることを確認してください。結局のところ、ロボットと会話したい人は誰もいません。

AI ディープフェイクの生成、同意、適切な開示に関する倫理的な懸念が浮上していますが、まず根本的な問題を理解し、対処することが重要です。音声読み上げテクノロジーは、私たちがお互いを理解する方法に革命をもたらし、人々を結びつけるイノベーションの機会を生み出す可能性を秘めています。しかし、この目標を達成するには、まず大きな課題に直面する必要があります。 ?

以上が人工知能音声技術の 3 つの主要な課題の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。