マイクロソフト、3秒のサンプルから誰の声でも再現できるAI「VALL-E」サンプル公開 | テクノエッジ TechnoEdge

ガジェット全般、サイエンス、宇宙、音楽、モータースポーツetc... 電気・ネットワーク技術者。実績媒体Engadget日本版, Autoblog日本版, Forbes JAPAN他 マイクロソフトが、たった3秒間のサンプル音声から誰かの声をシミュレートし、テキストを読み上げさせられる音声AI「VALL-E」を公開しました。 この音声AIは単に声色を似せるだけでなく、抑揚や周囲環境をカスタマイズして喋らせらることも可能なため、使い方を誤ればティープフェイクの音声版にもなり得ると研究者は述べています。 通常の音声合成は、音の波形を操作編集して目的の音声を作り出しますが、VALL-Eは何かを喋っている音声データとテキストを組み合わせて個別の音声コーデック用のデータを作り出す「neural codec language model」と称する言語モデルです。 Metaが開発したニューラルネットワー

[zu2]

“研究者らは、この技術が社会的に害をもたらす可能性を認識しており、そのコードを公開することは差し控えているとのことです” オレオレ詐欺に使えそうである

[gnoname]

adobeが数年前に発表したVocoの様に一般公開されるとは一言も言ってないし、これで技術すげえやってる奴って結局のところ単なるマウント取りだし知識浅いんだな

[nisisinjuku]

亡き奥様の写真を合成してる人が紹介されてたが、音声も録音が有れば立体化、動かす、喋るなんて方向も有るのかもしれませんね。

[nagabow]

メモ

[twmw]

声を盗まれる事件が頻発しそうな