انقلاب انویدیا در هوش مصنوعی صدا : کلون کردن صدا فقط با چند ثانیه | Riva TTS

شرکت انویدیا (NVIDIA) به تازگی از مدل‌های جدید هوش مصنوعی خود در زمینه صدا رونمایی کرده و با قدرت وارد حوزه تبدیل متن به گفتار (Text-to-Speech) شده است. این سرویس جدید که Riva TTS نام دارد، مجموعه‌ای از ابزارهای پیشرفته را شامل می‌شود که کیفیت صدای انسان را به شکلی باورنکردنی شبیه‌سازی می‌کند و پتانسیل ایجاد یک تحول بزرگ در دنیای تولید محتوای صوتی، پادکست و حتی دوبله فیلم را دارد. یکی از شگفت‌انگیزترین قابلیت‌های این فناوری، مدل Zero-shot است. این مدل هوش مصنوعی می‌تواند صدای هر شخصی را تنها با در اختیار داشتن چند ثانیه از صدای او، کلون (Clone) کند. این ویژگی که در گذشته به چندین دقیقه فایل صوتی نیاز داشت، اکنون با دقت و کیفیتی بی‌نظیر، تنها در چند ثانیه قابل انجام است و این یک پیشرفت انقلابی در فناوری کلون کردن صدا محسوب می‌شود. در این ویدیو، به بررسی کامل این ابزارها می‌پردازیم و مدل‌های مختلفی مانند Magpie-TTS-Flow و Magpie-TTS-Multilingual را که برای ساخت صداهای طبیعی و چندزبانه طراحی شده‌اند، تست می‌کنیم. علاوه بر این، نگاهی به سایر قابلیت‌های هوش مصنوعی صوتی انویدیا مانند تشخیص گفتار (Speech Recognition)، ترجمه همزمان و بهبود کیفیت صدا (Speech Enhancement) خواهیم داشت. با ما همراه باشید تا ببینیم این فناوری چگونه کار می‌کند و چه تأثیری بر آینده تولید محتوای صوتی خواهد گذاشت. آیا انویدیا با این ابزارها می‌تواند رقبای قدرتمندی مانند ElevenLabs را کنار بزند؟ در این ویدیو به این سوالات پاسخ می‌دهیم و قابلیت‌های این پلتفرم را به صورت عملی آزمایش می‌کنیم. –––––––––––––––––––––––––––––– صفحه RIVA در سایت انویدیا https://build.nvidia.com/explore/speech –––––––––––––––––––––––––––––– 00:00 مقدمه: رونمایی انویدیا از هوش مصنوعی صدا 00:10 ورود قدرتمند انویدیا به دنیای تبدیل متن به گفتار (TTS) 00:41 قابلیت شگفت‌انگیز کلون کردن صدا فقط با چند ثانیه (Zero-Shot) 01:17 مقایسه با ابزارهای قدیمی و بررسی دقیق‌تر قابلیت Zero-Shot 01:45 ورود به پلتفرم هوش مصنوعی انویدیا و تست عملی ابزارها 02:22 بخش اول: تست تشخیص خودکار گفتار (ASR) 04:45 بخش دوم: تست تبدیل متن به گفتار (TTS) و کلون کردن صدا 04:49 - مدل اول: تست شگفت‌انگیز Magpie TTS ZeroShot 08:12 - مدل دوم: ساخت صدای چندزبانه با Magpie TTS Multilingual 10:36 بخش سوم: تست ترجمه ماشینی عصبی (NMT) 12:47 بخش چهارم: تست بهبود کیفیت صدا (Speech Enhancement) 14:14 - آزمایش عملی: بهبود صدای ضبط شده با کیفیت پایین 15:36 تست واقعی: بهبود کیفیت صدای تاریخی مظفرالدین شاه با هوش مصنوعی 16:53 جمع‌بندی نهایی و مقایسه با رقبا –––––––––––––––––––––––––––––– کانال تلگرام رضاصاد پلاس https://t.me/rezasaadplus –––––––––––––––––––––––––––––– اینجا توی رضاصاد پلاس در مورد هوش مصنوعی و تکنولوژی‌های جدید حرف میزنیم