اين روزها تمايز کلام انسان و برنامه هاي تبديل متن به صدا آنقدر هست که بشود آنها را به راحتي از يکديگر تشخيص داد، با اين همه، به لطف هوش مصنوعي تازه گوگل به نام WaveNet که اخيرا توسط تيم ديپ مايند آن توسعه يافته، ممکن است عاقبت روزي فرا برسد که تشخيص اين امر برايتان دشوار شود.

همانطور که احتمالا در جريان هستيد، اين تيم در زمينه توسعه شبکه هاي عصبي براي خود اسم و رسمي دارد و چندي پيش هم با خلق AlphaGo و شکست يکي از بهترين بازيکنان بازي Go، نام خود را در سرخط خبرهاي روز قرار داد.

اما در باب برنامه هاي تبديل متن به کلام هم بايد بگوييم که هم اکنون توسعه دهندگان از دو شيوه مختلف براي اين منظور استفاده مي کنند؛ در يکي، آنها مجموعه عظيمي از کلمات و اجزاي زباني به کار رونده توسط يک انسان را مورد استفاده قرار مي دهند [که البته در اين شيوه، دستکاري آهنگ و صداها بسيار دشوار خواهد بود] و در ديگري، واژگان بسته به اينکه قرار است چه صدايي را توليد کنند به صورت الکترونيکي شکل داده مي شوند. اين پروسه البته دشواري چنداني ندارد اما نتيجه کار معمولا شکلي رباتيک دارد.

حالا تيم ديپ مايند براي توليد برنامه اي که کلام را به شيوه انسان گونه ايجاد کند، اشکال مربوط به امواج صوتي خام ضبط شده از متکلمان انساني را دريافت و در اختيار شبکه عصبي خود قرار داده اند.

اشکال امواج صوتي (Waveform) نيز در اصل معرف هاي بصري از اشکالي هستند که صداها به خود مي گيرند و حتما تا به حال روي نمايشگر برخي دستگاه هاي پخش موسيقي نمونه شان را ديده ايد. با در نظر داشتن آنچه گفته شد، WaveNet با شکل دادن به امواج صوتي صحبت مي کند.

حال اگر از اين هوش مصنوعي به عنوان يک برنامه تبديل متن به کلام استفاده شود، متني که در داخل واج ها و هجاها تايپ مي کنيد را تغيير داده و سپس نتيجه را ادا مي کند. گفتني است سوژه هاي مشارکت کننده در اين آزمايشان بر اين باور بودند که نتايج به دست آمده از WaveNet نسبت به روش هاي ديگر شکلي انساني تر داشته اند.

ديپ مايند هم در مطلبي که براي معرفي دستاورد تازه اش منتشر کرد اعلام نمود هوش مصنوعي آن قادر است «اختلاف ميان پيشرفته ترين فناوري هاي ارائه شده براي اين منظور و همچنين عملکرد انساني را تا 50 درصد کاهش دهد».