Wie Computer lernen, menschlich zu klingen
Ein Computeringenieur erklärt, wie die Text-zu-Sprache-Technologie durch künstliche Intelligenz natürlicher und menschenähnlicher geworden ist.
Der Computeringenieur Tam Nguyen erklärt den Prozess, wie digitale Assistenten wie Siri und Alexa menschenähnliche Stimmen erreicht haben. Die Entwicklung der Text-zu-Sprache-Technologie, die die menschliche Sprachproduktion simuliert, hat zu immer natürlich klingender digitaler Sprache geführt.
Die Technologie funktioniert durch die Formung von Schallwellen. Computersoftware wandelt Text in Phoneme um, die kleinsten Lauteinheiten in der Sprache, die dann zu Wörtern und Sätzen zusammengesetzt werden. Frühe Versuche, maschinelle Sprache zu erzeugen, begannen im 18. Jahrhundert mit mechanischen Geräten, die rohe Geräusche produzierten. Die ersten elektronischen Sprachsynthesizer tauchten in den 1930er Jahren auf, aber computergenerierte Sprache war anfangs steif und robotisch.
Moderne Systeme nutzen maschinelles Lernen, eine Form der künstlichen Intelligenz. Programme werden trainiert, indem Tausende von Stunden menschlicher Sprache analysiert werden, einschließlich Variationen in Atmung, Emotionen und Tonhöhe. Dies ermöglicht die Nachahmung subtiler Nuancen und menschlicher Merkmale in gesprochener Sprache.
Fortschrittliche KI kann sogar lernen, die einzigartigen Sprachmuster einer Person anhand einer kurzen Audioaufnahme zu imitieren. Während die Text-zu-Sprache-Technologie erhebliche Vorteile bietet, wie z. B. Unterstützung für sehbehinderte oder nicht sprechende Personen, birgt sie auch Risiken des Missbrauchs, einschließlich realistischer Stimm-Deepfakes. Forscher entwickeln Werkzeuge zur Identifizierung dieser gefälschten Stimmen.