Hvernig á að þjálfa raddlíkan með gervigreind? [Myndband og próf]

Stutt svar: Þjálfaðu gervigreindarraddlíkan með því að nota samþykktar, hreinar upptökur, nákvæmar umritanir, vandlega forvinnslu, fínstilltu það síðan og prófaðu það á raunverulegum handritum. Þú munt fá betri niðurstöður þegar gagnasafnið helst einsleitt í hljóðnema, herbergi, hraða og greinarmerkjasetningu. Ef gæðin lækka skaltu laga gögnin áður en þjálfunarstillingunum er breytt.

Lykilatriði:

Samþykki: Þjálfaðu aðeins raddir sem þú átt eða hefur skriflegt leyfi til að nota.

Upptökur: Haldið ykkur við einn hljóðnema, eitt herbergi og eitt orkustig í öllum lotum.

Umrit: Paraðu nákvæmlega saman hvert talað orð, þar á meðal tölur, fyllingar, nöfn og greinarmerki.

Mat: Prófið með óhreinum, raunverulegum forskriftum, ekki bara fágaðri sýnikennslu.

Stjórnun: Skilgreina aðgang, upplýsingagjöf og bannaða notkun áður en þjálfað rödd er sett upp.

Af hverju vilja menn læra að þjálfa raddlíkan með gervigreind? 🎧

Það eru margar ástæður, og sumar eru sterkari en aðrar.

Flestir þjálfa raddlíkön vegna þess að þeir vilja:

• Búðu til talsetningar án þess að taka upp hvert handrit handvirkt

• Byggðu upp samræmda sögurödd fyrir myndbönd eða hlaðvörp

• Staðfærðu efni hraðar

• Gerðu stafrænar vörur persónulegri

• Varðveita rödd til aðgengis eða til notkunar í skjalasafni

• Prófaðu þig áfram með persónuraddir fyrir leiki eða sögur 🎮

Svo er það praktíska hliðin. Að taka upp nýtt hljóð í hvert skipti slitnar fljótt. Þjálfuð hljóðlíkan getur sparað tíma, lækkað kostnað við hljóðver og gefið þér endurnýtanlega raddauðlind sem getur stækkað.

Það sagt, skulum við vera skýr - tæknina er einnig hægt að misnota. Svo áður en þú æsir þig yfir vinnuflæðinu, settu þér eina reglu í stein: þjálfaðu aðeins á rödd sem þú átt eða hefur skýrt leyfi til að nota. Engar afsakanir, engin „bara prófanir“, engar vafasamar klónatilraunir. Sú leið verður fljótt ljót.

Hvað gerir góða gervigreindarraddlíkan? ✅

Gott raddlíkan með gervigreind er ekki bara „skýrt“. Það hljómar trúverðugt, stöðugt, tjáningarfullt og samræmt í mismunandi textagerð.

Þetta er það sem venjulega greinir á milli sæmilegrar fyrirmyndar og þeirrar sem fólk hefur virkilega gaman af að hlusta á:

• Hrein upptökur - ekkert suð, bergmál, lyklaborðssmell eða endurómur í herbergi

• Samræmd framsetning - svipuð fjarlægð milli hljóðnema, talorka og uppsetning rýmis

• Náttúrulegur hraði - ekki of hraðskreiður, ekki sársaukafullt hægur

• Sterk framburðarþekja - næg fjölbreytni í orðum, nöfnum, tölum og setningaformum

• Tilfinningastjórnun - jafnvel hlutlaus fyrirsæta ætti ekki að hljóma dauð að innan 😬

• Nákvæmni textajöfnunar - afrit þurfa að passa rétt við hljóðið

• Lágt hlutfall afbrigða - færri villur, kyngd orð eða vélrænn óstöðugleiki

„Fullkomin“ útvarpsrödd passar ekki alltaf best. Örlítið ófullkomin en vel upptekin rödd þjálfast oft betur vegna þess að hún hljómar mannleg frá upphafi. Of fáguð getur orðið stíf. Of afslappaður getur orðið drullugur. Þetta er jafnvægisleikur - svolítið eins og að reyna að rista brauð með eldkastara ... mögulegt, kannski, en varla glæsilegt.

Kjarninn í þjálfun á raddlíkani með gervigreind 🧱

Áður en þú ferð yfir í verkfæri og þjálfunarskjái er gott að skilja helstu þættina sem koma að málinu. Sérhvert vinnuflæði, óháð kerfi, inniheldur venjulega þessi atriði:

1. Raddgögn

Þetta er hráefnið þitt - upptökur af ræðubrotum.

2. Afrit

Hvert hljóðbrot þarf að hafa samsvarandi texta. Ef umritunin er röng lærir líkanið rangt. Frekar einfalt, en svolítið pirrandi.

3. Forvinnsla

Þetta felur í sér að klippa þögn, staðla hljóðstyrk, fjarlægja hávaða og skipta löngum upptökum í nothæfa hluta.

4. Fyrirmyndarþjálfun

Þetta er þar sem kerfið lærir tengslin milli texta og raddmynstra þess sem talar.

5. Mat

Þú prófar hversu eðlilegt, nákvæmt og stöðugt röddin hljómar.

6. Fínstilling

Þú aðlagar líkanið, bætir gögnin, endurþjálfar eða bætir við betri sýnum.

Þegar fólk spyr hvernig á að þjálfa raddlíkan með gervigreind,þá ímynda þau sér oft að þjálfun sé öll sagan. Það er það ekki. Þjálfun er bara eitt stig í keðju. Mjög mikilvæg keðja, vissulega - en samt bara einn hlekkur.

Samanburðartafla - algengustu leiðirnar til að nálgast þetta 📊

Hér að neðan er hagnýt samanburður á helstu leiðum sem fólk fer. Ekki hentar hver valkostur öllum verkefnum, og það er í lagi.

Það er enginn algildur sigurvegari. Fyrir flesta er fínstilling á fyrirfram þjálfuðu líkani með hágæða raddgögnum kjörinn kostur. Það skilar góðum árangri án þess að neyða þig til að smíða allt geimskipið sjálfur.

Skref 1 - Taktu upp réttu raddgögnin, ekki bara mikið af þeim 🎤

Þetta er þar sem gæðin byrja. Það er líka þar sem mörg verkefni detta hljóðlega í sundur.

Margir gera ráð fyrir að meira hljóð þýði sjálfkrafa betri frammistöðu. Stundum já. Stundum alls ekki. Tíu klukkustundir af grófum upptökum geta tapast fyrir eina klukkustund af hreinu og samræmdu tali.

Hvernig góð upptökugögn líta út

• Sami hljóðnemi í öllu gagnasafninu

• Sama herbergi, sama grunnupptökuuppsetningin

• Lágmarks bakgrunnshljóð

• Náttúrulegur taltónn

• Skýr framsetning án þess að hljóma of dramatískt

• Úrval af setningalengdum og hljóðfræðilegum samsetningum

Gott markmiðsgagnagrunnur inniheldur oft

• Stuttar samtalslínur

• Lengri útskýrandi setningar

• Spurningar

• Tölur og dagsetningar - forðastu þó að nefna tilteknar ártölur í handritum þínum hér ef þú þarft ekki á þeim að halda.

• Nöfn, staðir og erfið framburðartilvik

• Pásur, kommur og greinarmerkjastýrður taktur

Hagnýt ráð fyrir upptökur

• Taka upp í rólegu, mjúku herbergi

• Haltu hljóðnemanum föstum

• Forðastu smelli í munni með vatnshléum og gangandi skrefum

• Ekki ofvinna hljóðið á leiðinni inn

• Vertu stöðugur með orkustig

Og hér er lítil sannleiksbomba - ef ræðumaðurinn hljómar þreyttur í miðjum tíma gæti líkanið lært þennan döpru tón líka. Raddlíkön eru eins og svampar með heyrnartól.

Skref 2 - Undirbúið afrit eins og líf fyrirsætunnar ykkar sé undir því komið 📝

Því að á vissan hátt gerir það það.

Gæði umritunar skipta gríðarlega miklu máli. Líkanið lærir af því að para saman hljóð og texta. Ef ræðumaðurinn segir eitt og umritunin segir annað, þá verður vörpunin kærulaus. Kærulaus vörpun leiðir til vandræðalegrar myndunar - orðum sem eru sleppt, orðasamböndum sem eru rangt borin fram, tilviljunarkenndum áherslumynstrum, þess konar bull.

Afritin þín ættu að vera

• Nákvæm samsvörun við töluð orð

• Samræmi í greinarmerkjastíl

• Hreint sniðið

• Laust við stafsetningarvillur

• Laust við óþarfa tákn nema tólið þitt þurfi á þeim að halda

Ákveða snemma hvernig eigi að bregðast við

• Tölur - „42“ á móti „fjörutíu og tveimur“

• Skammstafanir - „Dr.“ á móti „Læknir“

• Fyllingarefni - „öhm“, „öh“, „þú veist“

• Hlátur eða andardráttur

• Sérstök nöfn eða erlend orð

Sumir höfundar reyna að umrita allt sjálfkrafa og halda áfram. Freistandi, vissulega. En sjálfvirk umritun krefst skoðunar manna, sérstaklega hvað varðar nöfn, hreimi, tæknilegt orðaforða og greinarmerki. Umritun með 95% nákvæmni hljómar nokkuð vel á pappír. Í þjálfun geta þessi 5% sem vantar hljómað hátt.

Skref 3 - Hreinsaðu og skiptu gagnasettinu í hluta fyrir þjálfun ✂️

Þessi hluti er leiðinlegur. Ég veit það. Þetta er líka eitt af skrefunum sem gefa mest af sér.

Þú vilt að gagnasafninu þínu sé skipt niður í meðfærileg myndskeið, yfirleitt nógu stutt til að líkanið geti lært skýr tengsl texta og hljóðs án þess að týnast í risastórum upptökum.

Góð flokkun þýðir venjulega

• Myndbrotin eru stutt og markviss

• Þögnin er skorin niður, en ekki skorin óeðlilega

• Ein afrit af hverju myndskeiði

• Engin skörun málflutnings

• Engar tónlistarrúm

• Engin skyndileg hækkun á ávinningi

Algeng hreinsunarverkefni

• Hávaðaminnkun

• Hávaðastöðlun

• Þögn klipping

• Fjarlægir klipptar eða aflagaðar tökur

• Endurútflutningur á það snið sem þjálfunarpakkinn þinn krefst

Það er þó gildra hér. Ofhreinsun getur gert röddina brothætta. Þú vilt ekki fægja mannúðina úr henni. Nokkur örsmá andardráttur og náttúruleg áferð eru í lagi - jafnvel gagnleg. Sótthreinsað hljóð getur breyst í sótthreinsaða myndun og enginn vill rödd sem hljómar eins og hún hafi verið sett upp í töflureikni 😬

Skref 4 - Veldu þjálfunarleið sem passar við færnistig þitt ⚙️

Þetta er það sem fólk annað hvort flækjar eða einfaldar of mikið.

Almennt séð hefur þú þrjá raunhæfa valkosti:

Valkostur A - Nota hýst þjálfunarvettvang

Best ef þú vilt hraða og þægindi.

Kostir:

• Auðveldara viðmót

• Minni tæknileg uppsetning

• Hraðari leið að nothæfum úttaki

• Inniheldur venjulega ályktunartól

Ókostir:

• Minni stjórn

• Kostnaður getur safnast upp

• Hegðun líkansins gæti verið innifalin

Valkostur B - Fínstilla opinn hugbúnað eða sérsniðinn TTS líkan

Best ef þú vilt gæði ásamt sveigjanleika.

Kostir:

• Meiri stjórn á þjálfun

• Betri sérstilling

• Auðveldara að fínstilla fyrir gagnasafn þitt

Ókostir:

• Krefst nokkurrar tæknilegrar þekkingar

• Meiri tilraunir og mistök

• Vélbúnaður skiptir meira máli

Valkostur C - Þjálfa frá grunni

Best ef þú ert að gera ítarlegar rannsóknir eða byggja eitthvað sérhæft.

Kostir:

• Hámarks stjórn á arkitektúr

• Sérsniðin hegðun líkansins

Ókostir:

• Mikil gagnaþörf

• Lengri tilraunatímabil

• Mjög auðvelt að sóa tíma, orku og þolinmæði

Fyrir flesta - og já, það á einnig við um snjalla forritara með takmarkaða bandvídd - er fínstilling skynsamlegasta valið. Það er miðlínan. Ekki áberandi, ekki frumstætt, bara áhrifaríkt.

Skref 5 - Þjálfa, meta, svo þjálfa aftur... því þannig er það 🔁

Hér byrjar kerfið að læra raddmynstrin.

Við þjálfun reynir líkanið að tengja hljóðhljóð, tímasetningu, hljóðhljóð og raddsamkennd við umrituð hljóðsýni. Eftir því hvaða ramma er notaður gætirðu einnig verið að þjálfa eða para við raddkóðara, stílkóðara, hátalarakerfi eða textaviðmót. Fínt tungumál, já, en grunnhugmyndin er sú sama - að kenna texta að verða að rödd.

Það sem þú fylgist með á æfingum

• Tapsgildi

• Stöðugleiki framburðar

• Náttúruleiki hljóðs

• Talhraði

• Tilfinningalegt samræmi

• Tilvist gripa

Merki um að líkanið þitt sé að batna

• Færri rugluð orð

• Mýkri umskipti

• Trúverðugri pásur

• Betri meðhöndlun á ókunnuglegum setningum

• Stöðug raddkenni yfir úttak

Merki um að eitthvað sé að fara úrskeiðis

• Málmkennd eða suðandi úttak

• Endurteknar atkvæði

• Óskýr samhljóðar

• Handahófskennd dramatísk áhersla

• Flat, líflaus afhending

• Röddarhreyfing frá einu sýni til þess næsta

Og já, ítrun er eðlileg. Mjög eðlileg. Fyrsta þjálfaða niðurstaðan gæti verið efnileg en aðeins frábrugðin. Kannski hljómar hún rétt en lesst of hægt. Kannski tekst hún vel á við stuttar línur og rekst á lengri handrit. Kannski tekst hún vel á við frásögn en snýr sér að óvissu varðandi tölur. Það þýðir ekki að verkefnið hafi mistekist. Það þýðir að þú ert nú komin/n í þann hluta sem skiptir máli.

Skref 6 - Fínstilltu fyrir raunsæi, tilfinningar og stjórn 🎭

Þetta er þar sem góð fyrirmynd byrjar að breytast í eina sem ávinnur sér sess.

Þegar grunnröddin er farin að virka er næsta áskorunin að stjórna henni. Þú vilt ekki bara að röddin sé til. Þú vilt að hún hegði sér.

Svæði sem vert er að fínstilla

• Frumtónn - hækkun og lækkun, náttúruleg áhersla, hraði

• Tilfinningar - róleg, orkumikil, hlý, alvarleg

• Talstíll - samtalslegur, fræðandi, kvikmyndalegur

• Framburðarbreytingar - vörumerki, fagmál, nöfn

• Setningameðferð - sérstaklega lengri eða flóknari setningarbyggingar

Margir skaparar hætta of snemma. Þeir fá rödd sem „hljómar eins og ræðumaðurinn“ og segja að það sé búið. En líkindi ein og sér eru ekki nóg. Góð fyrirmynd les náttúrulega á milli mismunandi handrita. Hún ætti að ráða við kennsluefni, kynningarlínu og eina málsgrein án þess að hljóma eins og hún hafi skipt um persónuleika á miðri leið.

Þetta er líka ástæðan fyrir því að spurningin „ Hvernig á að þjálfa raddlíkan með gervigreind?“ hefur ekki eins smells svar. Raunverulegur árangur kemur með þjálfun og fínpússun. Líkan sem er 80% þar getur samt virst rangt. Þessi síðustu 20%? Mun mikilvægari en það virðist við fyrstu sýn.

Skref 7 - Prófaðu það á raunverulegum forskriftum, ekki bara hreinum sýnilínum 🧪

Vinsamlegast dæmið ekki fyrirsætuna ykkar eingöngu með fullkomnum litlum prufusetningum eins og „Hæ og velkomin á rásina.“ Það er bara prufubeita.

Notaðu líka gróf, raunsæ handrit:

• Langar málsgreinar

• Vöruheiti

• Tölur og tákn

• Spurningar

• Hraðar umskipti

• Tilfinningalegar breytingar

• Vandræðaleg greinarmerki

• Samræðubrot

Góð dæmi um álagspróf eru meðal annars

• Kynning á kennsluefni

• Útskýring á þjónustuveri viðskiptavina

• Sögumálsgrein

• Handrit sem er fullt af listum

• Lína með vörumerkjum og skammstöfunum

• Setning sem breytir tóni í miðjum klíðum

Af hverju skiptir þetta máli? Vegna þess að fágaðar sýnishornslínur prýða veikburða gerðir. Raunverulegt efni afhjúpar þær. Það er eins og að prófa bíl með því að rúlla honum hægt niður innkeyrslu - tæknilega séð hreyfing, ekki beint sönnun.

Skref 8 - Forðastu mistökin sem láta raddlíkön hljóma fölsk 🚫

Sum mistök birtast aftur og aftur.

Algeng vandamál

• Að nota háværar eða bergmálaðar upptökur

• Að blanda saman mörgum hljóðnemum

• Þjálfun með slæmum afritum

• Að færa mjög ólíka talstíla inn í eitt gagnasafn

• Búist við að smá gagnasöfn hljómi einstaklega vel

• Ofhreinsun hljóðsins

• Að hunsa framburðarkantana

• Sleppa mati eftir hverja úrbótaprófun

Eitt stórt mistök í viðbót

Að þjálfa líkan án skýrra notkunarmarka.

Þú ættir að skilgreina:

• Hverjir geta notað röddina

• Þar sem hægt er að dreifa því

• Hvort upplýsingagjöf sé nauðsynleg

• Hvaða tegundir efnis eru bannaðar

• Hvernig samþykki er skjalfest

Þetta hljómar kannski leiðinlega, kannski jafnvel svolítið samfélagslegt. En það skiptir máli. Rödd er persónuleg. Reyndar mjög persónuleg. Svo meðhöndlið hana þannig.

Siðferðilegar og hagnýtar reglur sem ættu aldrei að vera valkvæðar 🛡️

Þetta á skilið sinn eigin kafla, því of margir grafa þetta eins og neðanmálsgrein í lokin.

Þegar raddlíkan er smíðað:

• Fáðu skýrt samþykki frá ræðumanni

• Geymið skrár yfir skrifleg leyfi

• Ekki þykjast vera raunverulegt fólk án leyfis

• Merktu tilbúið efni eftir því sem við á

• Verndaðu hrá raddgögn

• Takmarka aðgang að þjálfuðum líkönum

• Yfirfarið niðurstöður áður en þær eru birtar

Það er líka víðtækara traustmál. Áhorfendur eru að verða skarpari. Þeir geta oft fundið fyrir því þegar hljóðið er „óeðlilegt“, jafnvel þótt þeir geti ekki útskýrt hvers vegna. Þannig að gagnsæi er ekki bara siðferðilegt - það er hagnýtt. Traust er auðveldara að viðhalda en að endurbyggja.

Lokahugleiðingar um hvernig á að þjálfa raddlíkan með gervigreind? 🎯

Hvernig á að þjálfa raddlíkan með gervigreind? Byrjað er með samþykki, hreinum upptökum og nákvæmum afritum. Síðan undirbýrðu gagnasafnið vandlega, velur rétta þjálfunarleið, metur vandlega og fínstillir þar til röddin hljómar stöðug og eðlileg í lifandi handriti.

Það er hið raunverulega svar.

Ekki glæsilegt, kannski. En satt.

Þeir sem ná góðum árangri gera yfirleitt nokkra hluti betur en allir aðrir:

• Þeir virða gögnin

• Þeir flýta sér ekki við að hreinsa upp afrit

• Þeir prófa á grófum, raunsæjum handritum

• Þeir halda áfram að endurtaka sig eftir fyrstu „nógu góða“ niðurstöðuna

• Þau skilja að trúverðug málflutningur er að hluta til tæknilegt ferli, að hluta til hljóðvinna, að hluta til þolinmæði ... og smá þrjóska líka 😄

Ef markmið þitt er rödd sem hljómar mannleg, traustvekjandi og hagnýt, einbeittu þér þá minna að flýtileiðum og meira að keðjunni: taktu vel upp, hreinsaðu vel, taktu vel úr, æfðu vandlega, hlustaðu gagnrýnislega, bættu þig markvisst. Það er leiðin.

Og já, þetta er svolítið eins og að garða með forritunarkóða. Ekki fullkomin myndlíking, ég veit. En þú gróðursetur rétta efniviðinn, annast hann jafnt og þétt og eftir smá tíma byrjar eitthvað ótrúlega raunverulegt að svara.

Dæmi úr raunveruleikanum: Að smíða samþykkisbundið frásagnarlíkan 🎙️

Atburðarás

Ímyndaðu þér litla fræðslumyndbandsrás á YouTube sem birtir þrjú útskýringarmyndbönd í hverri viku. Kynnirinn tekur upp hverja frásögn handvirkt, en endurupptökur, klipping og upptökur eru farnar að hægja á allri dagskránni.

Markmiðið er ekki að skipta út rödd gestgjafans án leyfis. Stýrimaðurinn á rásina, undirritar skriflegt samþykki og skráir hreint gagnasafn sérstaklega fyrir þjálfun. Þjálfaða röddin er aðeins notuð fyrir fyrstu drög að frásögn, minniháttar handritsbreytingar og stuttar leiðréttingar þegar gestgjafinn er ekki tiltækur.

Þetta er raunhæft notkunartilfelli því raddlíkanið styður vinnuflæði skaparans í stað þess að þykjast vera einhver annar.

Það sem aðstoðarmaðurinn þarfnast

Fyrir þessa uppsetningu undirbýr skaparinn:

• 90 mínútur af hreinni frásögn tekin upp með sama hljóðnemanum

• Nákvæmar afritanir fyrir hvert myndskeið

• Einfaldur framburðalisti fyrir vörumerki, skammstafanir og algeng orð

• Samþykkisskjal þar sem fram kemur hvar röddin má nota

• Mappa með prófunarhandritum sem inniheldur kennsluefni, listaþunga kafla, spurningar og klaufalega greinarmerki

• Gátlisti fyrir hljóðgæði, framburð, tón og upplýsingagjöf

Lykilreglan er einföld: ekki hefja þjálfun fyrr en afrit og hljóð eru vandlega hrein. Einfalt og samræmt efni er gott hér. Einfalt og samræmt efni æfir sig vel.

Dæmi um leiðbeiningar

Notið viðurkennda rödd þáttastjórnandans til að búa til rólega og vinalega frásögn. Haldið hraðanum eðlilegum, forðist ýktar tilfinningar og berið fram tæknileg hugtök skýrt. Ef handritið inniheldur tölur, dagsetningar, skammstafanir eða vöruheiti, haldið þeim nákvæmlega eins og þau eru skrifuð. Ekki skrifa málflutning í þeim tilgangi að styðja stjórnmálaleg mál, veita læknisfræðileg ráð, lofa fjárhagslegum loforðum eða þykjast vera einhver annar. Merkið allar línur sem gætu þurft mannlega yfirferð áður en hljóðið er flutt út.

Hvernig á að prófa það

Byrjaðu með fimm stuttum handritum í stað þess að framkvæma þau í heild sinni.

Prófunarhandrit 1: 30 sekúndna kynning á rás með einni spurningu og einni hvatningu til aðgerða.

Prófunarhandrit 2: Tveggja mínútna kennslukafli með númeruðum skrefum.

Prófunarhandrit 3: Málsgrein með klaufalegum greinarmerkjum, sviga, bandstrikum og breytingum á tónhæð í miðri setningu.

Prófunarforskrift 4: Listaþung forskrift sem inniheldur nöfn, skammstafanir, verð og dagsetningar.

Prófunarhandrit 5: Leiðréttingarlína sem þarf að passa við tón myndbands sem þegar hefur verið birt.

Eftir að hljóðið hefur verið búið til skaltu bera saman hverja niðurstöðu við gátlistann:

• Hljómaði röddin enn eins og viðurkenndur ræðumaður?

• Voru öll nöfn og tölur rétt bornar fram?

• Virtist hraðinn eðlilegur?

• Voru þar endurteknar atkvæði, málmkennd hljóð eða kyngd orð?

• Myndi þáttastjórnandinn samþykkja þetta án þess að taka það upp aftur?

• Þarf uppljóstrun með tilbúnum röddum í lokaútgáfu myndbandsins?

Niðurstaða

Dæmigert niðurstaða: Með því að tímasetja fimm sýnishorn af frásögnum fyrir og eftir notkun þessa vinnuflæðis gæti höfundurinn dregið úr fyrstu umferð talsetningar úr 40 mínútum fyrir hvert 600 orða handrit í um 12 mínútur.

Mæligrundvöllur: tímamælið allt ferlið frá því að handritið er opnað til að flytja út frásagnarskrá sem er tilbúin til yfirferðar.

Í sama fimm handrita prófinu gæti höfundurinn fylgst með:

• 5 forskriftir búnar til

• 3 samþykkt eftir léttari klippingu

• 2 send til baka vegna leiðréttingar á framburði

• 11 framburðarvandamál fundust alls

• 0 myndskeið birt án mannalegrar yfirferðar

• 100% af úttaki athugað gegn samþykkis- og notkunarreglum

Þessar tölur eru ekki sönnun þess að allar raddlíkön virki eins. Þær sýna hvers konar hagnýtar mælingar skipta máli: tímasparnaður, árangur í yfirferðum, framburðarvillur og hvort stjórnunarferlinu var fylgt.

Hvað getur farið úrskeiðis

Algengasta mistökin eru að nota líkanið of snemma. Ef fyrsta úttakið hljómar „næstum rétt“ getur verið freistandi að birta það hratt. Það er áhættusamt. Lítil mistök í hraða, áherslum eða framburði verða augljósari þegar hljóðið er komið inn í fullklárað myndband.

Önnur vandamál eru meðal annars:

• Æfingar á gömlum upptökum með öðrum hljóðnema

• Að blanda saman þreyttum tökum og kraftmiklum tökum

• Að láta sjálfvirkar umritanir ganga í gegn án yfirferðar

• Gleymdi að prófa tölur, nöfn og skammstafanir

• Að veita of mörgum aðgang að raddlíkaninu

• Að nota röddina fyrir efni sem ræðumaðurinn samþykkti aldrei

• Að krefjast aukinnar afkasta án þess að tímasetja vinnuflæðið rétt

Hagnýtt skyndibita

Sterkt raddlíkan með gervigreind er ekki bara snjallt hljóðbragð. Það er stýrð framleiðslueign. Meðhöndlið það eins og eitt: fáið samþykki, takið upp hrein gögn, prófið með innbyggðum framleiðsluhandritum, mælið villutíðnina og haldið mannlegum yfirlesara upplýstum áður en nokkuð er birt opinberlega.

Algengar spurningar

Hvernig þjálfar maður raddlíkan fyrir gervigreind frá upphafi til enda?

Þjálfun á raddlíkani með gervigreind hefst venjulega með samþykki, hreinum upptökum og nákvæmum afritum. Þaðan fer vinnuflæðið í gegnum forvinnslu, sundurgreiningu, líkanþjálfun, mat og fínstillingu. Greinin gerir ljóst að þjálfun er aðeins einn hluti af lengra ferli og sterkir árangur næst með því að meðhöndla hvert stig vel frekar en að reiða sig á eitt tól eða flýtileið.

Hversu mikið hljóð þarf til að þjálfa gott gervigreindarraddlíkan?

Meira hljóð getur hjálpað, en gæði skipta meira máli en hrá lengd. Í handbókinni er tekið fram að ein klukkustund af hreinu og samræmdu máli getur verið betri en margar klukkustundir af hávaðasömum eða ójöfnum upptökum. Sterkt gagnasafn inniheldur venjulega fjölbreyttar setningartegundir, tölur, nöfn, spurningar og náttúrulegt tempó svo líkanið lærir hvernig ræðumaðurinn tekst á við daglegan texta.

Hvaða tegund af upptökum hentar best fyrir raddlíkanaþjálfun?

Bestu upptökurnar eru hreinar, samkvæmar og teknar upp í sömu uppsetningu fyrir allt gagnasafnið. Það þýðir að nota sama hljóðnemann, sama herbergið og í stöðugri fjarlægð milli tals, en forðast bergmál, suð, hljómborðshljóð og mikla vinnslu. Náttúruleg framsetning skiptir líka máli, því líkanið mun gleypa hraða, tón og orku ræðumannsins.

Hvers vegna eru afrit svona mikilvæg þegar raddlíkan er þjálfað?

Afrit skipta máli vegna þess að líkanið lærir af pörun talaðs hljóðs og ritaðs texta. Ef afritið passar ekki við það sem sagt var getur líkanið tekið upp veik framburðarmynstur, rangar áherslur eða orð sem sleppt er. Greinin leggur einnig áherslu á að vera samkvæm með tölur, skammstafanir, fyllingarorð og greinarmerki áður en þjálfun hefst.

Hvernig ættir þú að hreinsa og skipta hljóðupptökum í sundur fyrir þjálfun?

Hljóðið ætti að vera skipt niður í stutt, markviss brot með einni samsvarandi afritun fyrir hvert brot. Algeng undirbúningur felur í sér að klippa þögn, staðla hávaða, draga úr hávaða og fjarlægja brenglaðar upptökur eða skarast tal. Leiðbeiningarnar varar einnig við ofhreinsun, því að fjarlægja hvert andardrátt og smá áferð getur skilið eftir lokaröddina eftir dauðhreinsaða og óeðlilega.

Hver er besta leiðin til að þjálfa raddlíkan fyrir gervigreind ef þú ert ekki sérfræðingur?

Fyrir flesta er fínstilling á fyrirfram þjálfuðu líkani hagnýtasta leiðin. Það býður upp á sterkari jafnvægi milli gæða, gagnaþarfa og tæknilegrar fyrirhafnar heldur en þjálfun frá grunni, en veitir jafnframt meiri stjórn en einfaldur vettvangur án kóðunar. Hýst verkfæri eru hraðari í notkun, en fínstilling er yfirleitt millivegurinn sem skilar sterkari og aðlögunarhæfari niðurstöðum.

Hvernig veistu hvort gervigreindarraddlíkanið þitt er að batna meðan á þjálfun stendur?

Bæting birtist venjulega sem mýkri málflutningur, færri rugluð orð, betri þagnir og stöðugri rödd í mismunandi fyrirmælum. Viðvörunarmerki eru meðal annars málmkenndur tónn, endurteknar atkvæði, óskýr samhljóði, flatur framburður og raddbreytingar milli sýna. Greinin leggur áherslu á að mat er ekki einskiptis athugun, heldur hluti af áframhaldandi prófunar- og endurþjálfunarferli.

Hvernig lætur maður raddlíkan úr gervigreind hljóma raunverulegra og tjáningarfyllra?

Þegar grunnlíkanið virkar er næsta skref að fínstilla framburð, tilfinningar, hraða og talstíl. Raunsæ rödd þarf meira en bara líkindi milli ræðumanna, því hún ætti að ráða við kennsluefni, frásögn, kynningarlínur og lengri kafla án þess að hljóma stíf eða ósamkvæm. Fínstilling hjálpar einnig við framburðshermun og bætir hvernig líkanið meðhöndlar lengri og flóknari setningar.

Hvað ætti að prófa áður en þú notar gervigreindarraddlíkan í framleiðslu?

Treystið ekki eingöngu á stuttar sýnilínur sem láta nánast hvaða líkan sem er hljóma sæmilega. Leiðbeiningarnar mæla með prófunum með löngum málsgreinum, klaufalegum greinarmerkjum, vöruheitum, skammstöfunum, tölum, spurningum og tilfinningalegum breytingum. Full handrit leiða í ljós veikleika mun hraðar, sérstaklega þegar líkanið þarf að takast á við tónbreytingar, flókna orðalag eða efni sem er þungt af listum.

Hvaða siðferðisreglum ætti að fylgja þegar þú þjálfar raddlíkan fyrir gervigreind?

Í greininni er samþykki ekki samningsatriði. Þú ættir aðeins að þjálfa þig á rödd sem þú átt eða hefur skýrt leyfi til að nota, geyma skriflegar skrár, vernda hrá raddgögn, takmarka aðgang að þjálfuðu líkaninu og skilgreina skýr notkunarmörk. Einnig er mælt með því að merkja tilbúið hljóð þegar það á við og forðast að þykjast vera raunverulegt fólk án leyfis.

Heimildir

1. Microsoft Learn - skýrt leyfi - learn.microsoft.com

2. Hjálparmiðstöð ElevenLabs - röddin þín - help.elevenlabs.io

3. Gögn um NVIDIA NeMo ramma - Forvinnsla - docs.nvidia.com

4. Skjölun um þvingaða réttingarkerfi í Montreal - Nákvæmni textaréttingar - montreal-forced-aligner.readthedocs.io

5. Bandaríska viðskiptaeftirlitið - Ekki þykjast vera raunverulegt fólk án leyfis - ftc.gov

6. Þjóðstofnun staðla og tækni - Merkja tilbúið efni eftir því sem við á - nist.gov

Finndu nýjustu gervigreindina í opinberu versluninni fyrir gervigreindaraðstoðarmenn

Um okkur