Teknologi AI Microsoft, Bisa Tirukan Suara dalam Waktu 3 Detik

KOMPAS.com - Raksasa teknologi Microsoft baru-baru ini meluncurkan teknologi kecerdasan buatan atau artificial intelligence (AI) yang menakjubkan.

Dinamai VALL-E, model AI ini disebut-sebut dapat menganalisis serta mereplikasi suara orang.

Menariknya lagi, VALL-E hanya memerlukan sampel rekaman 3 detik dari suara tertentu untuk menirunya.

Sebagai perbandingan, mayoritas model AI yang mereplikasi suara manusia biasanya membutuhkan input rekaman audio setidaknya 1 menit.

Proses pembuatan model VALL-E

Dalam mengembangkan VALL-E, para ilmuwan memanfaatkan perpustakaan audio bernama Libri-Light (dikumpulkan oleh Meta).

Perpustakaan audio itu memiliki 60 ribu jam pembicaraan bahasa Inggris oleh lebih dari 7.000 penutur.

Kemudian, mereka menggunakan rekaman tesebut untuk melatih VALL-E pada 60.000 jam data ucapan dalam bahasa Inggris.

Microsoft menyebut VALL-E sebagai model bahasa neural codec berdasarkan model serupa dari Meta yang menggunakan AI untuk menghasilkan mengubah teks menjadi suara atau audio (text to speech).

Beberapa suara yang dihasilkan VALL-E terkesan realistis, sedangkan yang lain tidak sesuai.

Pihak Microsoft berencana terus mengembangkan model VALL-E untuk meningkatkan akurasi dan pengucapan kata-kata tertentu.

Dampak negatif VALL-E

Meski potensi kecerdasan buatan ini sangat luas, Microsoft menyadari dampak negatif yang dapat dihasilkan VALL-E.

Maka dari itu, Microsoft hanya mempublikasikan kemampuan dan cara kerja model AI ini tanpa menyebarkan source code.

"Karena VALL-E dapat mensintesis ucapan yang memertahankan identitas pembicara, hal itu dapat membawa potensi risiko penyalahgunaan model, seperti memalsukan identifikasi suara atau meniru identitas," demikian keterangan Microsoft.