Microsoftがたった3秒のサンプルから人の声を再現できる音声合成AI「VALL-E」を発表

2023年1月5日にMicrosoftが新しい音声合成AIモデル「VALL-E」を発表しました。VALL-Eはたった3秒間の音声サンプルで人の声を忠実にシミュレートできる他、一度学習したデータからは、その人の声色だけではなく感情のトーンや録音環境も再現した合成音声を作成することが可能になっています。 VALL-E https://valle-demo.github.io/ [2301.02111] Neural Codec Language Models are Zero-Shot Text to Speech Synthesizers https://doi.org/10.48550/arXiv.2301.02111 Microsoft’s new AI can simulate anyone’s voice with 3 seconds of audio | Ars Technica

[kotaponx]

ミッション:インポッシブル3(2006)では、劇中でずいぶん長いことデイヴィアンに喋らせてサンプリングしないと出来なかったんだよなぁ。時代の流れ。

[theta]

好きな声優さんに好きなセリフを喋って頂いて好きなように遊べる未来がすぐそこにきてるのか。一方で侵略を受けた国の指導者が国民に降伏を呼びかける演説を捏造してラジオを乗っ取り放送する謀略にも応用できそう。

[thirty206]

バーチャル乃木希典とかバーチャル東郷平八郎とかバーチャルチャイコフスキーとかバーチャルエジソンとかできるのかね。いずれも蓄音機録音が残ってる。

[hogeaegxa]

とりあえず政治家が反ポリコレ的なやべえことを言ってる音声が大量生成されそうだ。広まった後から合成音声だと検証したところで、捏造だと信じてもらえるだろうか？

[xanaduuu]

スマホ登場以降から感じているけど、映画やドラマの中のツールに時代遅れを感じるとちょっと冷めるんよな。これから先の時代を描くSFって難易度高そうで良い作品が出てくるのか勝手に心配している。

[Seiji-Amasawa]

“VALL-Eはたった3秒間の音声サンプルで人の声を忠実にシミュレートできる他、一度学習したデータからは、その人の声色だけではなく感情のトーンや録音環境も再現した合成音声を作成することが可能”

[yoko-hirom]

俺の声を盗みやがったな！な未来が。

[rti7743]

顔も声も自由に変更できる未来に期待。vtuberで顔はできても声はまだだからな。

[gameloser]

3秒はヤベェ

[pankochang]

振込詐詐欺師「💡」

[kei_1010]

日本語はどうなんだろ

[geromi]

サンプル３秒って…

[vegnpomn]

これを清く正しく使う案は特に思い浮かばないが、悪用する案なら次々湧いてきて夢が広がる

[yamasab]

篠田麻里子「あれは音声合成IAです」