آیا جمینای گوگل می تواند به واقع گرایی ElevenLabs v3 برسد؟

به گزارش لینک بگیر دات کام به نقل از ایسنا، هوش مصنوعی «الون وی۳»(Eleven v3) شرکت «الون لبز»(ElevenLabs) که برپایه یک ساختار جدید ساخته شده است، واقع گرایی و کنترل بی سابقه ای را برای تولید گفتار به ارمغان می آورد. این نرم افزار می تواند لحن را در اواسط جمله تغییر دهد، به صورت یکپارچه بین شخصیت ها حرکت نماید و به نشانه هایی مانند نجوا، خنده و آه کشیدن پاسخ دهد. همه این موارد بدون ایجاد اختلال در جریان گفتار صورت می گیرند.
به نقل از دیجیتال ترمینال، این نسخه از هوش مصنوعی الون لبز یک نسخه «آلفا» است. این نسخه نسبت به مدلهای پیشین به مهندسی سریع تری نیاز دارد اما خروجی آن یک تغییر اساسی را در بیان، ظرافت و واقع گرایی انسانی عرضه می کند. این نسخه جدید، پشتیبانی از زبان های متعدد را از ۳۳ به بیشتر از ۷۰ زبان افزایش داده است. با تنظیم دقیق تر، قابلیت اطمینان و کنترل پذیری هم افزایش خواهد یافت.

قابلیت های مهم الون وی۳:

۱. پوشش دهی بیشتر از ۷۰ زبان؛ زبان های پوشش داده شده در الون وی۳ از ۳۳ زبان به بیشتر از ۷۰ زبان گسترش یافته اند و پوشش دهی جمعیت جهان از ۶۰ درصد به ۹۰ درصد افزایش داشته است.
۲. حالت گفتگو؛ الون وی۳ وقفه های طبیعی، تغییر لحن و جریان احساسی را بین چندین گوینده مدیریت می کند.
۳. برچسب های صوتی؛ الون وی۳ عرضه خویش را با برچسب هایی مانند زمزمه، عصبانیت، خنده یا صدای جیرجیر در هدایت می کند و امکان کنترل عملکرد را با جزئیات دقیق فراهم می آورد.
۴. پشتیبانی از پخش زنده؛ بزودی خصوصیت پشتیبانی از پخش زنده به شکل در لحظه برای مراکز تماس و اپراتورهای مکالمه عرضه می شود.
۵. API عمومی برای الون وی۳ (آلفا) بزودی منتشر می شود. کاربران برای دسترسی زودهنگام می توانند با بخش فروش شرکت تماس بگیرند.
الون وی۳ برای سازندگان، توسعه دهندگان و شرکت هایی طراحی شده است که محتوای شامل داستان ها، کتاب های صوتی، گفتگوی شخصیت ها و تعاملات رسانه ای را تولید می کنند. این مدل به آزمایش و عرضه بازخورد آگاهانه از متن ارج می نهد.

برای موارد استفاده در لحظه و با تأخیر کم مانند هوش مصنوعی محاوره ای سفارش شده که کاربران فعلا با مدلهای «توربو»(Turbo) و «فلش»(Flash) الون وی۲.۵ کار کنند. نسخه در لحظه الون وی۳ درحال توسعه است.
الون وی۳ کنترل بیان را برای تولید صدا به ارمغان می آورد و به جای خوانش های ساده، اجراهای واقعی را ممکن می سازد. این نسخه می تواند احساسات را تغییر دهد، نحوه ی بیان را تنظیم کند و یک حرکت روان را بین شخصیت های یک نسل داشته باشد. برای نخستین بار، گفتار هوش مصنوعی می تواند ریتم و ظرافت احساسی مکالمه انسانی را در بیشتر از ۷۰ زبان دنبال کند.
«ماتی استانیشفسکی»(Mati Staniszewski) از بنیان گذاران الون لبز و مدیرعامل این شرکت اظهار داشت: الون وی۳ رساترین مدل تبدیل متن به گفتار تا به امروز است که کنترل کامل را بر احساسات، نحوه بیان و نشانه های غیر کلامی عرضه می کند. کاربران با بهره گیری از برچسب های صوتی می توانند آنرا به زمزمه، خنده، تغییر لهجه یا حتی آواز خواندن ترغیب کنند. آنها می توانند سرعت، احساسات و سبک را برای مطابقت با هر نوع نوشتار کنترل کنند. با مأموریت جهانی خود، ما خوشحالیم که این مدل را با پشتیبانی از بیشتر از ۷۰ زبان گسترش می دهیم. این نسخه نتیجه چشم انداز و رهبری همکار من« پیوتر»(Piotr) و گروه پژوهشی فوق العاده ای است که او تشکیل داده بود.

ایجاد یک محصول خوب دشوار می باشد اما ایجاد یک الگوی کاملا جدید تقریبا غیر امکان دارد. من و همه ما در الون لبز از دیدن جادویی که این تیم به زندگی می بخشد، احساس خوش شانسی می نماییم و با این نسخه هیجان زده ایم که یک مرتبه دیگر مرزها را جابه جا نماییم.
الون وی۳ (آلفا) هم اینک در آدرس https: //elevenlabs.io موجود است.

تاثیر ElevenLabs v3 بر جمینای گوگل