सेंट पीटर्सबर्ग विश्वविद्यालय के वैज्ञानिकों ने तंत्रिका नेटवर्क की संवाद क्षमता में सुधार किया

सेंट पीटर्सबर्ग स्टेट यूनिवर्सिटी (SPbU) के भाषाविदों ने एक न्यूरल नेटवर्क में स्वर-लहजे (इंटोनेशन) का मॉडल शामिल करके उसकी संवाद-क्षमता में सुधार किया है, जिससे AI का उच्चारण अधिक प्राकृतिक और मानव-सुलभ हो गया है। यह विकास वॉयस असिस्टेंट और मानवाकार रोबोट में उपयोग होने वाले टेक्स्ट-टू-स्पीच सिस्टम को बेहतर बनाने के उद्देश्य से किया गया है। इस शोध के नतीजे इंटरनेशनल कॉन्फ्रेंस ऑन स्पीच एंड कंप्यूटर (Speech and Computer पर होने वाला अंतरराष्ट्रीय सम्मेलन) की कार्यवाही में प्रकाशित हुए हैं। AI-आधारित सिस्टम अब कई कार्यों में, विशेष रूप से नियमित कार्यों में, मानवों की जगह पूरी तरह या आंशिक रूप से ले सकते हैं, लेकिन स्वर-लहजे को लागू करना कठिन रहा है। भावनाओं, दृष्टिकोण और संप्रेषणात्मक अर्थ को व्यक्त करने के लिए—जैसे किसी प्रश्न को कथन से अलग पहचानने के लिए—इंटोनेशन बहुत महत्वपूर्ण होता है। पारंपरिक भाषा मॉडल अक्सर नीरस या अनुपयुक्त स्वर-लहजा उत्पन्न करते हैं। SPbU के भाषाविदों ने टेक्स्ट-टू-स्पीच संश्लेषण के लिए Tacotron2 मॉडल का उपयोग किया और इसे SPbU में विकसित एक विशेष इंटोनेशन वर्गीकरण प्रणाली से प्रशिक्षित किया। इस वर्गीकरण में स्वर-लहजे के विविध प्रकार शामिल हैं, जो मेलोडिक रेंज, गति और वाक्य के प्रकार को ध्यान में रखते हैं। इन परिवर्तनों ने न्यूरल नेटवर्क को अस्वाभाविक या नीरस स्वर-लहजे की सीमाओं से पार पाने में सक्षम बनाया। एक मूल्यांकन में, रूसी भाषा बोलने वाले 42 मूल वक्ताओं ने संश्लेषित ऑडियो सुना और उन्होंने इसे सामान्यतः प्राकृतिक पाया, हालांकि कुछ मामूली दोष भी नोट किए गए। दूसरे प्रयोग में, प्रतिभागी प्रश्नवाचक वाक्यों को अधिक आसानी से पहचान सके। शोधकर्ताओं का सुझाव है कि गुणवत्ता को और बेहतर बनाने के लिए भावनात्मक और शैलीगत विविधताओं के साथ और अधिक फाइन-ट्यूनिंग की जानी चाहिए।