Amazon causa sensación en los entusiastas de la tecnología: ha creado el modelo de voz más grande del mundo
La empresa norteamericana podría haber sentado las bases para la Alexa del futuro
Llevamos años con asistentes de voz entre nosotros y la verdad es que son muchas las funciones y utilidades que estos nos presentan a diario. Es posible cambiarle la voz al Asistente de Google o, por ejemplo, escuchar lo que ha grabado Alexa a través de un altavoz Echo. Sin embargo, hoy no queremos hablarte del pasado o presente de los modelos TTS, sino del futuro. Y en Amazon tienen motivos para estar contentos.
Este es el potencial de BASE TTS
Los modelos TTS, del inglés text-to-speech, permiten convertir textos en voz a través de sofisticadas herramientas. En este caso, según lo publicado en la página web de Amazon Science, tenemos que hablarte de BASE TTS.
Este es el modelo TTS y es el modelo de síntesis del habla más grande jamás creado. Hablamos de una tecnología que permite, por ejemplo, que los asistentes de voz puedan comunicarse con los usuarios de una manera lo más natural y cercana posible. De hecho, estos modelos intentan enfatizar detalles como la entonación o las inflexiones.
BASE TTS: Lessons from building a billion-parameter text-to-speech model on 100K hours of data #AWS /at @AmazonScience https://t.co/df4aroWVaF
— Werner Vogels (@Werner) February 16, 2024
Por el momento, la investigación está lista para ser publicada y mostrará cómo 980 millones de parámetros son utilizados para convertir texto a voz. Eso sí, algo que resulta completamente alucinante es comprobar la cantidad de trabajo invertido en este modelo. Amazon afirma que han sido necesarias 100.000 horas de grabaciones procedentes de páginas web públicas para entrenar a este modelo TTS.
Además, parece que el modelo ha sido enriquecido con diferentes frases y ejemplos en distintos idiomas, con el fin de que el resultado final sea lo más realista posible y que permita obtener voces con matices provocados por el acento o la pronunciación.
[AS] BASE TTS: Lessons from building a billion-parameter Text-to-Speech model on 100K hours of data https://t.co/bvrmo89M30
— fly51fly (@fly51fly) February 14, 2024
This paper introduces BASE TTS, a text-to-speech (TTS) model that is the largest TTS model to-date, trained on 100K hours of public domain speech data,… pic.twitter.com/GhUYrJktAP
Si quieres ver ejemplos de cómo se desenvuelve el modelo BASE TTS en idiomas como el inglés o el castellano, esta página web de Amazon te ofrece un buen número de ejemplos que te dejarán impresionado cuando los escuches.
Los investigadores afirman que lo que hace especial a su modelo, además de ser el más grande jamás creado, es que es capaz de desenvolverse a las mil maravillas ante palabras complejas. El usuario puede darse cuenta de cómo se exponen emociones o cómo se enfatizan algunos signos de puntuación. Por el momento, el modelo no se abrirá al público generalista por temor a un uso inadecuado y quedará para uso interno y como herramienta para continuar potenciando los sistemas de síntesis del habla.