Microsoft、3秒分の音声だけでその人の声を真似るAI「VALL-E」のサンプル公開
米Microsoftの研究者らは1月5日︵現地時間︶、人間が話す声の3秒分のデータを与えると、その人のようにテキストを読み上げられるようになるAI﹁VALL-E﹂を発表した。GitHubで公開されたサンプルでは、怒りや眠そうな様子などのトーンも追加できている。 Microsoftが﹁ニューラルコーデック言語モデル﹂と呼ぶVALL-Eは、米Metaが昨年10月に発表した﹁EnCodec﹂に基づいて構築された。分析した人間の声をEnCodecで個別の﹁トークン﹂に分割し、トレーニングデータを使ってトークンを生成するという。 VALL-Eの音声合成機能は、やはりMetaが作成した音声ライブラリ﹁LibriLight﹂でトレーニングした。このライブラリには7000人以上の人間による6万時間分の英語音声が含まれている。 VALL-EのWebサイトのサンプルの、﹁Speaker Prompt﹂は与えら
