فهرست مطالب
شرکت Fish Audio با رونمایی از مدل نوین Drama 3 مرز میان روخوانی ماشینی و بازیگری احساسی را با ارائه امکان هدایت دقیق لحن در تولید صوت دگرگون ساخته است.
به گزارش سرویس هوش مصنوعی تکناک، تولید صدا با هوش مصنوعی گام تازه‌ای به سوی بازیگری و اجرای احساسی برداشته است و ابزارهای نوین تلاش می‌کنند مرز میان خوانش ماشینی و بازیگری صوتی را از میان بردارند. شرکت Fish Audio با رونمایی از مدل متن‌به‌گفتار Drama 3 بستری فراهم کرده است تا تولیدکنندگان محتوا و توسعه‌دهندگان بتوانند بدون درگیر شدن با تنظیمات پیچیده‌ی پیش‌فرض‌های صوتی، لحن و اجرای صداهای مصنوعی را به شکل دقیق هدایت کنند.
این سیستم تبدیل متن به گفتار به گونه‌ای طراحی شده است که دیالوگ‌های ساخته‌شده نه مانند روخوانی یکنواخت از روی یک متن از پیش نوشته‌شده، بلکه شبیه به یک اجرای زنده و نمایشی واقعی به گوش برسند.
مدیریت بار احساسی با زبان طبیعی
مدل Drama 3 در تاریخ ۱۳ اکتبر عرضه شده است و به کاربران امکان می‌دهد تا با به‌کارگیری زبان طبیعی و جملات روزمره، فاکتورهایی مانند بار احساسی، ضرب‌آهنگ بیان کلمات و شیوه‌ی ادای جملات را مدیریت کنند. یکی از جنبه‌های کلیدی این ابزار، توانایی آن در دریافت دستورالعمل‌های مستقیم در متن فیلم‌نامه یا نمایشنامه است. به عنوان نمونه، یک کاراکتر می‌تواند ادای یک جمله را با لحنی کاملاً آرام آغاز کند، در ادامه‌ی جمله نشانه‌هایی از خشم و سرخوردگی را بروز دهد و در نهایت عبارت پایانی را با حالتی شبیه به نجوا ادا کند؛ رویکردی که تا پیش از این نیازمند برش قطعات مختلف صوتی و جابه‌جایی میان برداشت‌های چندگانه بود. با اتکا به این سازوکار، صداپیشگان مصنوعی نیز رفتاری شبیه به بازیگران حرفه‌ای پیدا می‌کنند که به دستورات کارگردان واکنش نشان می‌دهند.
افزون بر هدایت لحن، مدل Drama 3 از مکالمات هم‌زمان میان چندین شخصیت و پشتیبانی از ۸۳ زبان مختلف برخوردار است. کاربران می‌توانند فرامین احساسی یا تغییر شیوه‌ی تلفظ را حتی روی واژه‌های منفرد یا عبارات خاص اعمال کنند تا تاکیدات کلامی مدنظرشان بدون نیاز به دستکاری کلیت متن شکل بگیرد.
کسب دقت ۹۳.۲ درصدی در تلفظ
به‌نوشته نوت‌بوک‌چک، ارزیابی‌های فنی ارائه‌شده از سوی Fish Audio نشان می‌دهد که این مدل در آزمون سنجش استحکام تلفظ در Artificial Analysis توانسته است به دقت ۹۳.۲ درصد دست یابد. این شاخص در نسخه‌ی پیشین یعنی مدل S2.1 Pro برابر با ۸۸.۱ درصد بود؛ پیشرفتی که نشان‌دهنده‌ی کاهش خطاهای بیانی است، هرچند دقت صرف در تلفظ لزوماً به معنای ارائه‌ی یک بازی دراماتیک بی‌نقص نخواهد بود.
توسعه‌دهندگان در شرکت Fish Audio فرآیند کار روی دو قابلیت ویرایشی پیشرفته را نیز در این مدل دقیق تبدیل متن به گفتار دنبال می‌کنند. ابزار ویرایش تعاملی یا Interactive Editing به کاربران امکان می‌دهد تا اجرای نهایی را از طریق دستورات متوالی بهبود دهند و ویژگی Audio Inpainting نیز برای تعویض و اصلاح کلمات خاص بدون نیاز به بازتولید تمام فایل صوتی در نظر گرفته شده است. این دو ابزار هم‌اکنون به شکل محدود و از طریق دعوت‌نامه در حال آزمایش هستند. دسترسی عمومی به Drama 3 از طریق وب‌سایت، اپلیکیشن‌های موبایل و رابط برنامه‌نویسی کاربردی یا همان API شرکت مذکور فراهم است و وزن‌های این مدل نیز برای بارگیری عمومی ارائه شده‌اند، هرچند بهره‌برداری تجاری از آن نیازمند دریافت مجوزهای رسمی است. به منظور جذب کاربران، نرخ دسترسی API تا ۱۲ نوامبر با ۸۰ درصد تخفیف به ۱۰ دلار به ازای هر میلیون کاراکتر کاهش یافته و اشتراک‌های جدید نیز با تخفیف ۵۰ درصدی ارائه می‌شوند.
