A DeepMind mesterséges intelligenciát használó program az írott szöveget alakítja át beszéddé, de olyan profin, hogy ha nem tudnánk, hogy gépről van szó, valószínűleg fel sem ismernénk, hogy valami nem kerek. A WaveNet figyel az intonációra, a hangsúlyokra, a szünetekre, de még a levegővétel is hallatszik.

Persze az emberi beszédet utánzó programok eddig is léteztek, de ezek alapvetően mind két csoportra oszlottak: az egyik csoportban vannak azok a programok, amelyek előre felvett szavakból dolgoznak (pl. Siri és az ehhez hasonló személyi asszisztensek), aminek a hátránya, hogy előzetesen létre kell hozni egy adatbázist, ami az összes lehetséges szót tartalmazza. Emellett vannak azok a programok, amelyek egy nemlétező robothangot generálnak le, ami viszont általában annak is hangzik, ami, vagyis robothangnak. Íme egy-egy példa mindkettőre:

A WaveNet szintén valódi emberi hangokból dolgozik, viszont itt nincs semmiféle előre létrehozott adatbázis: a mesterséges intelligencia a létező hangokból képes megtanulni egy adott nyelv hangzását, így képes önállóan létrehozni hangokat.

Ezt annyira meggyőzően teszi, hogy egy ötszáz emberrel végzett vakteszten, ahol a hallgatóknak 1-5-ig kellett értékelniük, hogy mennyire tűnik emberinek a hallott beszéd, a WaveNet közelebb végzett a valódi emberi beszédhez, mint a többi hangutánzó programhoz.

Érdekesség, hogy a program egyébként nem csak az emberi beszédet tudja leutánozni, hanem bármilyen hangot, így többek között saját zeneműveket is képes komponálni, nem is rosszul.

Arra azért még várhatunk, hogy a technológia a hétköznapokban is felüsse a fejét, mondjuk a Google Now-ban, ugyanis a program futtatása jelenleg eléggé számításigényes, ami meghaladja egy átlagos telefon vagy számítógép kapacitását.

(Fotó: AFP)