AI โคลนเสียงได้ใน 3 วินาที ทำยังไง?
AI โคลนเสียงได้ใน 3 วินาที ทำยังไง? Humans now fail voice tests 25% of time — ทุกวันนี้คนเรายังแยกเสียงจริงออกจากเสียง AI ไม่ได้ถึงหนึ่งในสี่ของการทดสอบ ลองนึกภาพว่าคุณได้รับสายจากคนที่เสียงเหมือนแม่ของคุณทุกอย่าง แต่จริงๆ แล้วเป็นเสียงที่คอมพิวเตอร์สร้างขึ้นจากคลิปสั้นๆ ไม่กี่วินาที เรื่องนี้ไม่ใช่นิยายวิทยาศาสตร์อีกต่อไป และบทความนี้จะพาคุณเข้าไปดูเบื้องหลังว่ามันทำงานอย่างไร TL;DR: AI โคลนเสียงได้จากตัวอย่างเพียง 3 วินาทีเพราะโมเดลอย่าง VALL-E ของ Microsoft เรียนรู้รูปแบบเสียงมนุษย์จากข้อมูล 60,000 ชั่วโมงมาก่อนแล้ว จึงต้องการแค่ “ลายเซ็น” ของเสียงคุณเล็กน้อย จากนั้นระบบจะแปลงข้อความเป็นสเปกโทรแกรม แล้วใช้ vocoder อย่าง WaveNet สร้างคลื่นเสียงออกมา ผลลัพธ์ดีจนผู้ฟังแยกไม่ออกในหลายสถานการณ์ และเครื่องมืออย่าง ElevenLabs ทำคะแนนคุณภาพ 0.83 เทียบเท่าเสียงมนุษย์ Key Facts ที่คนส่วนใหญ่ไม่รู้ ElevenLabs’ AI in … Read more