از پچ پچ تا فریاد؛ درام 3 احساس صدا را تغییر می دهد

Fish Audio با رونمایی از مدل جدید Drama 3 با فراهم آوردن امکان کنترل دقیق تن در تولید صدا، مرز بین ماشین خوانی و بازیگری احساسی را تغییر داده است.

به گزارش سرویس هوش مصنوعی تکناکتولید صدا با هوش مصنوعی گام جدیدی به سمت بازیگری و اجرای احساسی برداشته است و ابزارهای جدید سعی دارند مرز بین ماشین خوانی و صداپیشگی را از بین ببرند. Fish Audio با رونمایی از مدل تبدیل متن به گفتار Drama 3، بستری را برای تولیدکنندگان و توسعه دهندگان محتوا فراهم کرده است تا بتوانند لحن و عملکرد صداهای مصنوعی را بدون مواجهه با تنظیمات پیچیده از پیش تنظیم های صوتی کنترل کنند.

این سیستم تبدیل متن به گفتار به گونه ای طراحی شده است که دیالوگ های تولید شده مانند یک خوانش یکنواخت از یک متن از پیش نوشته نشده، بلکه مانند یک اجرای زنده واقعی به نظر برسد.

مدیریت بار عاطفی با زبان طبیعی

مدل Drama 3 در 13 اکتبر عرضه شد و به کاربران اجازه می دهد تا با استفاده از زبان طبیعی و جملات روزمره عواملی مانند بار احساسی، ریتم کلمات و نحوه ارائه جملات را مدیریت کنند. یکی از جنبه های کلیدی این ابزار توانایی آن در دریافت دستورالعمل های مستقیم در متن یک فیلمنامه یا نمایشنامه است. مثلاً شخصیتی می تواند جمله ای را با لحنی کاملاً آرام شروع کند، در ادامه جمله نشانه هایی از عصبانیت و ناامیدی از خود نشان دهد و در نهایت جمله پایانی را به صورت زمزمه ای بیان کند. رویکردی که قبلاً مستلزم برش بخش‌های مختلف صوتی و حرکت بین چندین برداشت بود. صداپیشگان مصنوعی نیز با تکیه بر این مکانیسم مانند بازیگران حرفه ای رفتار می کنند که به دستورات کارگردان واکنش نشان می دهند.

مدل Drama 3 علاوه بر راهنمای لحن، مکالمات همزمان بین چندین شخصیت و پشتیبانی از 83 زبان مختلف را دارد. کاربران می توانند دستورات احساسی را اعمال کنند یا تلفظ را حتی روی کلمات یا عبارات خاص تغییر دهند تا تاکید کلامی مورد نظر بدون نیاز به دستکاری متن به عنوان یک کل شکل بگیرد.

کسب دقت 93.2% در تلفظ

نوشته شده است نوت بوک را چک کنیدارزیابی های فنی ارائه شده توسط Fish Audio نشان می دهد که این مدل در آزمون تلفظ مصنوعی آنالیز 93.2 درصد دقت را به دست آورده است. این شاخص در نسخه قبلی یعنی مدل S2.1 Pro برابر با 88.1 درصد بود. بهبودی که نشان‌دهنده کاهش خطاهای تلفظی است، اگرچه دقت صرف در تلفظ لزوماً به یک اجرای نمایشی عالی تبدیل نمی‌شود.

توسعه دهندگان در Fish Audio همچنین در حال کار بر روی دو ویژگی ویرایش پیشرفته در این مدل دقیقاً متن به گفتار هستند. ابزار ویرایش تعاملی به کاربران اجازه می دهد تا عملکرد نهایی را از طریق دستورات متوالی بهبود بخشند و ویژگی Audio Inpainting برای جایگزینی و تغییر کلمات خاص بدون نیاز به بازتولید کل فایل صوتی در نظر گرفته شده است. این دو ابزار در حال حاضر به صورت محدود با دعوتنامه در حال آزمایش هستند. دسترسی عمومی به Drama 3 از طریق وب سایت، برنامه های موبایل و API این شرکت در دسترس است و وزن های مدل نیز برای دانلود عمومی در دسترس هستند، اگرچه استفاده تجاری مستلزم مجوزهای رسمی است. به منظور جذب کاربران، نرخ دسترسی API تا 12 نوامبر با 80 درصد تخفیف به 10 دلار برای هر میلیون کاراکتر کاهش می یابد و اشتراک های جدید با 50 درصد تخفیف ارائه می شود.