Categories: Workspace

VALL-E: AI-Modell für Text-to-Speech von Microsoft simuliert Stimmen

Forscher von Microsoft haben ein neues Text-to-Speech AI-Modell namens VALL-E vorgestellt. Es soll in der Lage sein, die Stimme einer Person zu simulieren. Dafür benötigt wird lediglich eine Audioaufnahme der Originalstimme von drei Sekunden. Wie Ars Technica berichtet kann VALL-E bei der synthetischen Erzeugung der Stimme sogar emotionale Betonungen des Sprechers wiedergeben.

Die Entwickler nennen als mögliches Einsatzgebiet hochqualitative Anwendungen für die Umwandlung von Text in Sprache. Es soll aber auch möglich sein, vorhandene Sprachaufnahmen einer Person zu verändern.

Microsoft zufolge analysiert VALL-E, wie eine Person spricht. Mithilfe der von Meta im Oktober 2022 angekündigten Technologie EnCodec werden die von VALL-E gewonnenen Informationen in einzelne als Tokens bezeichnete Komponenten unterteilt. So soll VALL-E in der Lage sein, aus einer Audioaufnahme von drei Sekunden abzuleiten, wie andere gesprochene Worte der Person klingen.

“ Um personalisierte Sprache zu synthetisieren, generiert VALL-E die entsprechenden akustischen Token auf der Grundlage der akustischen Token der 3-Sekunden-Aufnahme und des Phonem-Prompts, die die Sprecher- beziehungsweise Inhaltsinformationen einschränken. Schließlich werden die generierten akustischen Token verwendet, um die endgültige Wellenform mit dem entsprechenden neuronalen Codec-Decoder zu synthetisieren“, beschreibt Microsoft den Vorgang in einem Forschungsbericht.

Die Sprachsynthese von VALL-E wurde demnach mit einer von Meta zusammengestellten Audiobibliothek namens LibriLight angelernt. Sie enthält rund 60.000 Stunden englischsprachiger Aufnahmen von mehr als 7000 Personen, die wiederum der Public-Domain-Bibliothek für Audiobücher LibriVox entnommen wurden. Laut Microsoft erzielt VALL-E die besten Ergebnisse bei Stimmen, die einer Stimme aus den Trainingsdaten ähneln.

Die Entwickler von VALL-E sind sich aber auch der Möglichkeiten bewusst, ihr AI-Modell zu missbrauchen. „Da VALL-E Sprache synthetisieren kann, die die Identität des Sprechers beibehält, besteht die Gefahr, dass das Modell missbraucht wird, beispielsweise um die Stimmerkennung zu fälschen oder sich als ein bestimmter Sprecher auszugeben. Um solche Risiken zu minimieren, kann ein Erkennungsmodell erstellt werden, mit dem unterschieden werden kann, ob ein Audioclip von VALL-E synthetisiert wurde. Bei der Weiterentwicklung der Modelle werden wir auch die AI-Prinzipien von Microsoft in die Praxis umsetzen.“

Stefan Beiersmann

Stefan unterstützt seit 2006 als Freier Mitarbeiter die ZDNet-Redaktion. Wenn andere noch schlafen, sichtet er bereits die Nachrichtenlage, sodass die ersten News des Tages meistens von ihm stammen.

Recent Posts

Apple meldet Rekordumsatz im vierten Fiskalquartal

Die Einnahmen klettern auf fast 95 Milliarden Dollar. Allerdings belastet der Steuerstreit mit der EU…

2 Tagen ago

Microsoft steigert Umsatz und Gewinn im ersten Fiskalquartal

Das stärkste Wachstum verbucht die Cloud-Sparte. Microsoft verpasst bei der Umsatzprognose für das laufende Quartal…

3 Tagen ago

Bezahlkarten: Infineon verspricht weniger Plastikmüll

Ein Coil-on-Module-Package integriert Chip und Antenne, was den Kartenkörper fast vollständig recycelbar machen soll.

3 Tagen ago

Firefox 132 schließt elf Sicherheitslücken

Mindestens eine Anfälligkeit erlaubt das Einschleusen von Schadcode. Außerdem erweitern die Entwickler den Support für…

3 Tagen ago

Telekom nennt Termin für 2G-Ende

Zum 30. Juni 2028 soll das 2G-Netz komplett abgeschaltet werden und den Weg für schnellere…

3 Tagen ago

Alphabet übertrifft die Erwartungen im dritten Quartal

Gewinn und Umsatz legen deutlich zu. Zum Wachstum tragen auch die Sparten Cloud und Abonnements…

4 Tagen ago