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.

Surprised there isn't more chatter around VALL-E

This new model by @Microsoft can generate speech in any voice after only hearing a 3s sample of that voice ????

Demo → https://t.co/GgFO6kWKha pic.twitter.com/JY88vf4lYc

— Steven Tey (@steventey) January 9, 2023

Agar replikasi suara bisa akurat, sampel suara yang dimasukkan ke dalam sistem harus terdengar agak mendekati salah satu suara dari koleksi suara di Libri-Light.