Edge0 เปิดตัว Audio8-TTS-Realistic โมเดลโคลนเสียง 0.6B
Edge0 ปล่อย Audio8-TTS-Realistic โมเดล Text-to-Speech ขนาด 0.6 พารามิเตอร์ รองรับ 23 ภาษา พร้อมฝึกด้วยวิธี GRPO สัญญาอนุญาต Apache 2.0
ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง
- Edge0 เปิดตัว Audio8-TTS-Realistic โมเดลโคลนเสียงขนาด 0.6 พันล้านพารามิเตอร์
- รองรับการทำงานถึง 23 ภาษาพร้อมความสามารถ zero-shot voice cloning
- ใช้งานภายใต้สัญญาอนุญาตเปิดเผยซอร์สโค้ด Apache 2.0
- ผสานกระบวนการฝึก GRPO ขับเคลื่อนด้วยโมเดลประเมินความสมจริง
วงการปัญญาประดิษฐ์ด้านเสียงต้องจับตาอีกครั้ง เมื่อทาง Edge0 ได้ประกาศเปิดตัวโมเดลใหม่ในชื่อ Audio8-TTS-Realistic ซึ่งเป็นโมเดล Text-to-Speech (TTS) แบบโอเพนเวท (open-weight) ขนาด 0.6 พันล้านพารามิเตอร์ โดยเน้นจุดเด่นด้านความสามารถในการโคลนเสียงพูดแบบ zero-shot ที่มีความสมจริงสูง และเปิดให้ใช้งานภายใต้สัญญาอนุญาตแบบ Apache 2.0 ที่เอื้อต่อการพัฒนาต่อยอดเชิงพาณิชย์และงานวิจัย
ความโดดเด่นของโมเดลตัวนี้คือความสามารถในการรองรับการใช้งานได้หลากหลายภาษาถึง 23 ภาษาทั่วโลก ช่วยให้ผู้พัฒนาสามารถนำไปประยุกต์ใช้กับระบบแปลงข้อความ ภาษาสากล และแอปพลิเคชันที่ต้องการเสียงสังเคราะห์ที่ใกล้เคียงกับมนุษย์จริงมากที่สุด โดยไม่ต้องอาศัยข้อมูลเสียงตัวอย่างจำนวนมากในการฝึกฝนล่วงหน้า
ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง
นอกจากนี้ ทางทีมผู้พัฒนายังได้ยกระดับกระบวนการฝึกฝนโมเดลด้วยการเพิ่มขั้นตอนสุดท้ายแบบ GRPO (Group Relative Policy Optimization) ซึ่งควบคุมและขับเคลื่อนด้วยระบบประเมินความสมจริงที่เรียนรู้ได้เอง (learned realism critic) ส่งผลให้เสียงที่สังเคราะห์ออกมามีความเป็นธรรมชาติและลดความผิดเพี้ยนลงอย่างเห็นได้ชัด
การนำเทคนิค GRPO มาประยุกต์ใช้ในโมเดลแปลงข้อความเสียงสะท้อนให้เห็นถึงแนวโน้มการพัฒนา AI ยุคใหม่ ที่ไม่ได้อาศัยเพียงแค่สถาปัตยกรรมโครงข่ายประสาทเทียมขนาดใหญ่เท่านั้น แต่ยังให้ความสำคัญกับการปรับแต่งขั้นสุดท้ายเพื่อลดช่องว่างระหว่างเสียงสังเคราะห์กับเสียงมนุษย์จริง ซึ่งถือเป็นความท้าทายหลักในอุตสาหกรรมเสียงสังเคราะห์ปัจจุบัน
ที่มา: MarkTechPost
พบข้อมูลผิดพลาดในบทความนี้? แจ้งปัญหาบทความนี้
ความคิดเห็น
แสดงความคิดเห็น