بررسی فناوری گفتار تولیدی متنی توسط شرکت «الون لبز»

هوش مصنوعی «الون وی۳» (Eleven v3) از شرکت «الون لبز» (ElevenLabs) با بهره‌گیری از یک ساختار نوین، واقع‌گرایی و کنترلی بی‌سابقه در تولید گفتار فراهم می‌کند. این نرم‌افزار قادر است لحن را در میان جمله‌ها تغییر دهد، به طور روان بین شخصیت‌ها جابجا شود و به نشانه‌هایی نظیر نجوا، خنده و آه کشیدن واکنش نشان دهد. تمام این ویژگی‌ها در حین حفظ جریان گفتار به طور طبیعی پیاده‌سازی می‌شوند.

به نقل از دیجیتال ترمینال، نسخه جدید هوش مصنوعی الون لبز در حال حاضر به عنوان یک نسخه «آلفا» شناخته می‌شود. این نسخه نسبت به مدل‌های قبلی نیاز به مهندسی سریع‌تری دارد، اما خروجی آن می‌تواند تغییراتی اساسی در بیان، ظرافت و واقع‌گرایی انسانی ایجاد کند. همچنین، تعداد زبان‌های پشتیبانی‌شده از ۳۳ زبان به بیش از ۷۰ زبان افزایش یافته است. با تنظیمات دقیق‌تر، قابلیت اطمینان و کنترل نیز بهبود خواهد یافت.

ویژگی‌های کلیدی الون وی۳ به شرح زیر است.

۱. پوشش‌دهی بالای بیش از ۷۰ زبان؛ توانمندی‌های زبانی الون وی۳ از ۳۳ زبان به فراتر از ۷۰ زبان گسترش یافته و این پوشش به جمعیت جهانی از ۶۰ درصد به ۹۰ درصد افزایش یافته است.

۲. حالت گفتگو؛ الون وی۳ قادر به مدیریت وقفه‌های طبیعی، تغییر لحن و جریان احساسی بین چندین گوینده است.

۳. برچسب‌های صوتی؛ این سیستم ارائه خود را با نوع صوت‌هایی مانند زمزمه، عصبانیت، خنده و صداهای جیرجیر همراه می‌کند و امکان کنترل دقیق بر روی عملکرد را فراهم می‌سازد.

۴. پشتیبانی از پخش زنده؛ به زودی ویژگی پشتیبانی از پخش زنده به صورت آنی برای مراکز تماس و اپراتورهای مکالمه معرفی خواهد شد.

۵. API عمومی برای الون وی۳ (آلفا) به زودی در دسترس خواهد بود. کاربران می‌توانند با بخش فروش برای دسترسی زودهنگام تماس بگیرند.

این نرم‌افزار برای تولیدکنندگان، توسعه‌دهندگان و شرکت‌هایی طراحی شده است که به تولید محتوا شامل داستان‌ها، کتاب‌های صوتی، گفت‌وگوهای شخصیت‌ها و تعاملات رسانه‌ای مشغولند. این مدل به آزمایش و ارائه بازخورد آگاهانه از متن اهمیت می‌دهد.

برای استفاده فوری و با تأخیر کم، مانند هوش مصنوعی محاوره‌ای، توصیه می‌شود کاربران فعلاً از مدل‌های «توربو» (Turbo) و «فلش» (Flash) الون وی۲.۵ بهره ببرند. همچنین نسخه آنی الون وی۳ در حال توسعه است.

الون وی۳ به کاربر این امکان را می‌دهد که برای تولید صدا، کنترل بیان را به دست آورد و به جای متن‌خوانی ساده، اجراهای واقعی را ممکن سازد. این نسخه می‌تواند احساسات را تغییر دهد، نحوه بیان را تنظیم کند و حرکتی نرم و پیوسته بین شخصیت‌های مختلف به وجود آورد. برای نخستین بار، گفتار تولیدشده توسط هوش مصنوعی قادر است ریتم و ظرافت احساسی مکالمات انسانی را در بیش از ۷۰ زبان شبیه‌سازی کند.

«ماتی استانیشفسکی» (Mati Staniszewski) یکی از بنیان‌گذاران الون لبز و مدیرعامل این شرکت اظهار کرد: الون وی۳ رساترین مدل تبدیل متن به گفتار محسوب می‌شود که کنترل کامل بر احساسات، نحوه بیان و نشانه‌های غیرکلامی را ارائه می‌دهد. کاربران با استفاده از برچسب‌های صوتی می‌توانند آن را به زمزمه، خنده، تغییر لهجه یا حتی آواز خواندن تحریک نمایند. آنها همچنین قادرند سرعت، احساسات و سبک بیان را باب میل خود تنظیم کنند. با هدف جهانی خود، ما خوشحالیم که این مدل را با پشتیبانی از بیش از ۷۰ زبان به روز می‌کنیم. این نسخه نتیجه‌ای است از چشم‌انداز و رهبری همکار من «پیوتر» (Piotr) و گروه پژوهش شگفت‌انگیزی که او تشکیل داده است.

ایجاد یک محصول باکیفیت چالش‌برانگیز است، اما طراحی یک مدل کاملاً جدید تقریباً غیرممکن جلوه می‌کند. من و تیم الون لبز از مشاهده‌ی جادوی ناشی از کار تیمی احساس خوش‌شانسی می‌کنیم و با خوش‌احوالی به این نسخه جدید نگاه می‌کنیم که می‌تواند مرزها را دوباره جابه‌جا کند.

الون وی۳ (آلفا) هم‌اکنون قابل دسترسی است.