Wissenschaftler der Universität St. Petersburg verbessern die Dialogfähigkeit neuronaler Netze

Linguisten der Staatlichen Universität Sankt Petersburg haben die Dialogfähigkeit eines neuronalen Netzes verbessert, indem sie ein Intonationsmodell integriert haben, das die Aussprache der KI natürlicher und für Menschen vertrauter macht. Diese Entwicklung zielt darauf ab, Text-to-Speech-Systeme zu verbessern, die in Sprachassistenten und anthropomorphen Robotern eingesetzt werden. Die Forschungsergebnisse wurden in den Proceedings der International Conference on Speech and Computer veröffentlicht. KI-basierte Systeme können Menschen bei vielen Aufgaben bereits vollständig oder teilweise ersetzen, insbesondere bei routinemäßigen, aber die Intonation war schwierig umzusetzen. Die Intonation ist entscheidend für den Ausdruck von Emotionen, Haltung und kommunikativer Bedeutung, etwa um eine Frage von einer Aussage zu unterscheiden. Traditionelle Sprachmodelle erzeugen oft eine monotone oder unangemessene Intonation. Die Linguisten der Universität Sankt Petersburg verwendeten das Modell Tacotron2 für die Text-to-Speech-Synthese und trainierten es mit einer speziellen Intonationsklassifikation, die an der Universität Sankt Petersburg entwickelt wurde. Die Klassifikation umfasst eine breite Palette von Intonationsvarianten, die melodische Bandbreite, Geschwindigkeit und Satztyp berücksichtigen. Diese Modifikationen ermöglichten es dem neuronalen Netz, die Einschränkungen unnatürlicher oder monotoner Intonation zu überwinden. In einer Evaluierung hörten 42 muttersprachliche Russischsprecher synthetisierte Audiodateien und empfanden diese allgemein als natürlich, mit einigen geringfügigen Artefakten. In einem zweiten Experiment konnten die Teilnehmer Fragesätze leichter erkennen. Die Forscher schlagen vor, das System weiter mit emotionalen und stilistischen Varianten zu verfeinern, um die Qualität zu verbessern.