RAD-TTS di NVIDIA vuole pensionare Siri e Alexa: IA per voci sintetizzate più espressive e reali

Un modello di intelligenza artificiale chiamato RAD-TTS, messo a punto da NVIDIA, punta a rendere le voci sintetiche, quelle che tutti ascoltiamo quando parliamo con assistenti come Siri, Alexa o un call center sempre più simili a quella umana. C'è infatti ancora un gap tra quanto offre la tecnologia e la voce umana: le persone parlano con un ritmo, un'intonazione e un timbro complessi che è difficile da emulare per le IA. Con RAD-TTS NVIDIA vuole ridurre quel gap e se possibile eliminarlo totalmente.

La tecnologia ha un potenziale applicativo in molte aree, tra cui la gestione di un servizio clienti automatizzato, la traduzione linguistica, sistemi di ausilio per le persone con disabilità e persino i videogiochi. Praticamente qualsiasi applicazione che richieda una voce umana dal suono e dal timbro naturale ha il potenziale per trarre vantaggio da RAD-TTS.

Il dipartimento di NVIDIA che si occupa della ricerca sul "text-to-speech" ha sviluppato nuovi strumenti di machine learning che consentono agli sviluppatori di allenare un modello con la loro stessa voce, convertendo il testo in un parlato naturale usando le inflessioni e i toni che ha appreso. Può anche convertire la voce di una persona in quella di un'altra (anche di sesso opposto).

"Un'altra delle sue caratteristiche è la conversione vocale, in cui le parole di un oratore (o anche il canto) vengono fornite nella voce di un altro oratore", spiega NVIDIA. "Ispirata all'idea della voce umana come strumento musicale, l'interfaccia RAD-TTS offre agli utenti un controllo preciso sull'estensione, la durata e l'energia della voce sintetizzata".

Da quell'interfaccia è inoltre possibile guidare l'intelligenza artificiale come un doppiatore, modificando il discorso sintetizzato per enfatizzare parole specifiche e modificando il ritmo per dare pathos a determinati passaggi.

Con NVIDIA NeMo - un toolkit open source in Phyton per accelerare con la GPU l'IA discorsiva - i ricercatori, sviluppatori e creatori di contenuti possono sperimentare e ottimizzare modelli vocali per le proprie applicazioni. API e modelli preallenati facili da usare in NeMo aiutano i ricercatori a sviluppare e personalizzare modelli per la sintesi vocale, processare il linguaggio naturale e implementare il riconoscimento vocale automatico in tempo reale.

"Molti dei modelli sono addestrati con decine di migliaia di ore di dati audio sui sistemi NVIDIA DGX. Gli sviluppatori possono ottimizzare qualsiasi modello per i loro casi d'uso, accelerando l'addestramento usando il calcolo a precisione mista sulle GPU NVIDIA con Tensor Core", si legge in un post sul blog aziendale.

Applicando questa tecnologia i ricercatori di NVIDIA sono riusciti a creare una narrazione vocale più colloquiale per la propria serie di video "I AM AI" (che potete visionare qui) utilizzando voci sintetizzate anziché umane.