Geçtiğimiz yıl yapay zeka araştırma şirketi DeepMind, gerçekçi insan konuşmasına sahip sinir ağı yazılımı WaveNet için ilk detayları paylaşmıştı. Artık bu ses ve insansı tonlamaları, Google Asistan’ın büyük parçası olacak.
Sesli asistanların robotik konuşmalarına ve yersiz duraksamalarına alıştık derken, geleceği ön gören bilim kurgu filmlerini bile yalan edecek bir sistem çıktı. Normalde Text-to-Speech (Parametrik TTS) olarak bilenen sistemler, söz konusu robotik tonlamalara sahip sistemlerdi.
Ancak WaveNet, sinir ağı kullanılarak geliştirilen bir sisteme dayalı olarak sıfırdan dalga formları üreterek seslerin çok daha insansı çıkmasını sağlıyor. Ses desteği platformu öğrenen makine mantığında çalıştığı için, eğitiminde çok sayıda gerçek konuşma sesi kullanıldı. Bu sayede yapay zeka yazılımı, insansı bir aksanda akıcı bir dille konuşabilir hale getirildi.
WaveNet'in en büyük dezavantajı, yüksek bilgi-işlem gücüne ihtiyaç duymasıydı Örneğin, 0.02 saniyelik gerçekçi bir konuşma yapabilmesi için 1 saniye işlem yapması gerekiyordu. Son bir yıldır bu süreyi kısaltmak için çalışan DeepMind mühendisleri, WaveNet’i ilk halinden 1000 kat daha hızlı ve sadece 1 saniyede 20 saniyelik konuşma üretebilecek noktaya getirdiler.
Bu başarıdan sonra Google’ın dikkatini çeken teknoloji, artık ABD İngilizcesi ve Japonca aksanları için programlanmaya başlandı. İlk etapta bu iki dil, insansı bir sese sahip Google Asistan için kullanılacak. Ardından diğer dil ve lehçeler için de çalışmalar başlayacak.
Sesli ara birimler, öğrenen makine ve yapay zeka yazılımlarıyla giderek daha da yaygın hale geliyorlar. Sentetik ve robotik konuşmalar, yerini daha doğal ve insansı konuşmalara bırakıyor.
