Amazon – Sprachmodell soll realistischer klingen

Amazon hat ein neues Text-to-Speech-Modell namens BASE TTS, das dank 100.000 Stunden Training deutlich realistischer klingen soll.

Amazon – Sprachmodell soll realistischer klingen

Wir wissen, dass die großen Player auf dem Markt an eigenen Sprachmodellen arbeiten. Amazon ist da keine Ausnahme und hat jetzt ein neues Modell vorgestellt, das deutlich realistischer klingen soll, als alles bisher bekanntes.

Wir kennen die Sprachansagen von Sprachassistenten oder gar Sprachansagen aus Bussen oder Bahnen. Diese geben einem zwar die nötige Information, klingen dabei aber alles andere als natürlich. Man erkennt klar, dass sie eingesprochen oder computergeneriert sind. BASE TTS soll dies ändern. Das neue Text-to-Speech-Modell hat 100.000 Stunden Training mit öffentlich zugänglicher Sprachdaten hinter sich und damit einen neuen Stand der Technik in der Sprachnatürlichkeit erreicht.

Eigenständiges Lernen

Amazons Forscher arbeiten hart daran und setzen bei BASE TTS einen autoregressiven Transformer mit 1 Milliarde Parametern ein, der Rohtexte in diskrete Codes umwandelt, gefolgt von einem faltungsbasierten Decoder, der diese Sprachcodes auf inkrementelle, streambare Weise in Wellenformen umwandelt. Hört sich nach viel Fachwissen an, mit denen wir Ottonormalverbraucher nicht viel anfangen können. Was jedoch sehr interessant ist, ist die Tatsache, dass BASE TTS-Varianten, die mit mehr als 10.000 Stunden und mehr als 500 Millionen Parametern erstellt wurden, von selbst beginnen, natürliche Prosodie bei textlich komplexen Sätzen zu zeigen. Das bedeutet so viel wie, wenn mehr trainiert wird, lernt das Sprachmodell eine natürlichere Aussprache von allein auszugeben. Wir können also gespannt sein, was Amazon da entwickelt und wann bzw. wo es zum Einsatz kommt.

Quelle, via