OpenAI представи AI Voice Engine: ИИ-инструмент, способен да клонира гласа ви за 15 секунди

OpenAI предлага ограничен достъп до разработената от компанията платформа за генериране на глас, наречена Voice Engine, която може да пресъздаде нечий глас въз основа на 15-секундна извадка. Гласът, генериран от изкуствен интелект, може да чете текстови подкани по команда на същия език като говорещия или на редица други езици.

В извадките по-долу, публикувани от OpenAI можете да чуете как функционира технологията.

Първо, референтното аудио на английски език:

Три аудиозаписа, генерирани от изкуствен интелект въз основа на тази извадка:

OpenAI сподели, че е започнала да разработва Voice Engine в края на 2022 година и че технологията вече е осигурила предварително зададени гласове за API за преобразуване на текст в реч и функцията Read Aloud на ChatGPT. В интервю за TechCrunch Джеф Харис, член на продуктовия екип на OpenAI за Voice Engine, заяви, че моделът е обучен върху „комбинация от лицензирани и публично достъпни данни“. OpenAI заяви пред изданието, че моделът ще бъде достъпен само за около 10 разработчици.

Генерирането на текст в аудио е област от генеративния изкуствен интелект, която продължава да се развива. Повечето от тях се фокусират върху инструментални или естествени звуци, но по-малко са се фокусирали върху генерирането на глас.

OpenAI предложи няколко стъпки, които според нея биха могли да ограничат рисковете, свързани с подобни инструменти. Включително постепенното премахване на гласово базираната автентикация за достъп до банкови сметки, политики за защита на използването на гласове на хора в ИИ, по-добро обучение за deepfake-овете на ИИ и разработване на системи за проследяване на съдържанието от ИИ.