[karololo]

Model TTS (Text-To-Speech) uruchomiony na NVIDIA Jetson Nano.
#dnn #ai #machinelearning #ciekawostki #elektronika #programowanie #robotyka #nvidia

[T.....l]

@karololo: O cholera, będzie w grach generowany dynamicznie głos. ( ͡° ͜ʖ ͡°)

[bzduraa]

@karololo: czy to oznacza, że branża lektorów zostanie zrewolucjonizowana? Powstaną biblioteki z głosami danych lektorów i zamiast zatrudniać osobę, będzie się kupować plik z jej głosem. A gdyby tej inteligencji puścić nagranie z przemówienia np. Trumpa to nauczy się mówić jego głosem. Nie wiem co Ci naukowcy chcą osiągnąć, moim zdaniem przesadzają :/

[sredni_szu]

@bzduraa: To dość stara wiedza, ale czytałem kiedyś, że żeby dostać nowy głos ludzie z Ivony musieli dostać od lektora godziny próbek głosu, z których potem ręcznie wycinali interesujące ich fragmenty, z których potem byli w stanie złożyć dowolne zdanie.
Jeśli nie wydarzyła się rewolucja w zrozumieniu mowy, to jedyna czynność, którą da się tu zautomatyzować to automatyczne wyszukiwanie tych "fragmentów" w próbkach dźwięku - więc żeby uzyskać realistyczną symulację

[Ilythiiri]

Jeśli nie wydarzyła się rewolucja w zrozumieniu mowy

@sredni_szu: Rewolucji w zrozumieniu mowy nie ma. Ale automaty są w stanie (nie rozumiejąc co czytają i czemu) zacząć naśladować żywych ludzi na podstawie ich głosu ucząc się wydawać dźwięki ich głosem, właściwym tonem itd.

Były przecież chyba nawet deep fake video gdzie Obama/Trump mówili rzeczy których nie mówili.

[Rub3n]

Jeśli nie wydarzyła się rewolucja w zrozumieniu mowy

@sredni_szu: no właśnie chodzi o to że się wydarzyła xd

[sredni_szu]

@Rub3n: Ale w zrozumieniu mechanizmów mowy (nie zamiany mowy na tekst) czy w automatyzacji wyszukiwania składowych części? Bo za rewolucję w zrozumieniu mowy uważałbym sytuację, w której do zbudowania wiarygodnego modelu mowy danego człowieka potrzeba byłoby o co najmniej rząd wielkości mniej nagrań niż obecnie - o ile taka sytuacja w ogóle jest możliwa

[Rub3n]

co najmniej rząd wielkości mniej nagrań niż obecnie - o ile taka sytuacja w ogóle jest możliwa

@sredni_szu: https://sample-efficient-adaptive-tts.github.io/demo/
10 sekund może być?

[sredni_szu]

@Rub3n: Wow