AI voice imitation: Έχουμε φτάσει το σημείο καμπής;

[NoMoreLice]

Λογικό μου φαίνεται, εδώ γίνεται με βίντεο (deep fake), γιατί να μην γίνει και με φωνή; Λογικά θα είναι και πιο εύκολο. Το ενδιαφέρον είναι να δούμε τον τρόπο με τον οποίο γίνεται. Αν ακολουθεί τη λογική του deep fake βίντεο, ο voice actor θα συνεχίσει να είνα αναγκαίος για να εκφωνήσει την αρχική εγγραφή με τα σωστό emotion/προσωδία/τόνο κλπ, και έπειτα η μηχανή να το κάνει να ακούγεται σαν την φωνή κάποιου άλλου.

Από την στιγμή που θα ολοκληρωθεί το αρχικό τρέηνηνγκ δεν χρειάζεται ο βόης άκτορ. Υπόψιν, αν υπάρχει αρκετή πληροφορία ήδη διαθέσιμη - ηχογραφημένη δεν χρειάζεται καθόλου ο "βόης άκτορ".

Και πώς θα καταλαβαίνει η μηχανή αν σε ένα σημείο πρέπει π.χ. να φωνάξει; Αν πρέπει να δείξει στιγμιαίο ενθουσιασμό και έπειτα απότομη εναλλαγή σε απογοήτευση; κ.λ.π. Θα επισημειώνεις τόσο αναλυτικά το κείμενο;

Όπα, μαλλον έχεις μπερδευτεί. O voice actor δεν θα είναι αυτός του οποίου η φωνή θα ακούγεται τελικά. Θα είναι απλά ένας ενδιάμεσος. Έστω π.χ. ότι θέλουμε τη φωνή του Morgan Freeman. Η μηχανή θα εκπαιδευτεί με υπάρχουσες ηχογραφήσεις του Morgan Freeman. Έπειτα ο voice actor θα εκφωνεί ένα κείμενο/σενάριο και η μηχανή θα το μετατρέπει αυτόματα στη φωνή του Morgan Freeman. Κάτι τέτοιο.

[ST48410]

Λογικό μου φαίνεται, εδώ γίνεται με βίντεο (deep fake), γιατί να μην γίνει και με φωνή; Λογικά θα είναι και πιο εύκολο. Το ενδιαφέρον είναι να δούμε τον τρόπο με τον οποίο γίνεται. Αν ακολουθεί τη λογική του deep fake βίντεο, ο voice actor θα συνεχίσει να είνα αναγκαίος για να εκφωνήσει την αρχική εγγραφή με τα σωστό emotion/προσωδία/τόνο κλπ, και έπειτα η μηχανή να το κάνει να ακούγεται σαν την φωνή κάποιου άλλου.

Από την στιγμή που θα ολοκληρωθεί το αρχικό τρέηνηνγκ δεν χρειάζεται ο βόης άκτορ. Υπόψιν, αν υπάρχει αρκετή πληροφορία ήδη διαθέσιμη - ηχογραφημένη δεν χρειάζεται καθόλου ο "βόης άκτορ".

Και πώς θα καταλαβαίνει η μηχανή αν σε ένα σημείο πρέπει π.χ. να φωνάξει; Αν πρέπει να δείξει στιγμιαίο ενθουσιασμό και έπειτα απότομη εναλλαγή σε απογοήτευση; κ.λ.π. Θα επισημειώνεις τόσο αναλυτικά το κείμενο;

Θα βρεθεί τρόπος. Αλλά πες ότι γυρίζεις μία ταινία με cartoon. Εκεί που θα έπρεπε να προσλάβεις 5-10 γνωστούς ηθοποιούς για τις φωνές μπορείς να έχεις μόνο έναν άγνωστο βοηθό που θα διαβάζει με χρωματισμένη φωνή όλα τα κείμενα και μετά θα αλλοιώνονται οι χροιές για να δημιουργηθούν διαφορετικοί χαρακτήρες. Απλά και όμορφα θα χαθούν ένα σωρό θέσεις εργασίας. Και άσε τις ταινίες. Στις διαφημίσεις μόνο θα γίνει σφαγή.

[ST48410]

Έπειτα ο voice actor θα εκφωνεί ένα κείμενο/σενάριο και η μηχανή θα το μετατρέπει αυτόματα στη φωνή του Morgan Freeman. Κάτι τέτοιο.

Αυτός ο voice actor θα κάνει δουλειά για 10 ηθοποιούς και θα αμείβεται το 1/1000 αυτών.

[NoMoreLice]

Από την στιγμή που θα ολοκληρωθεί το αρχικό τρέηνηνγκ δεν χρειάζεται ο βόης άκτορ. Υπόψιν, αν υπάρχει αρκετή πληροφορία ήδη διαθέσιμη - ηχογραφημένη δεν χρειάζεται καθόλου ο "βόης άκτορ".

Και πώς θα καταλαβαίνει η μηχανή αν σε ένα σημείο πρέπει π.χ. να φωνάξει; Αν πρέπει να δείξει στιγμιαίο ενθουσιασμό και έπειτα απότομη εναλλαγή σε απογοήτευση; κ.λ.π. Θα επισημειώνεις τόσο αναλυτικά το κείμενο;

Αλλά πες ότι γυρίζεις μία ταινία με cartoon. Εκεί που θα έπρεπε να προσλάβεις 5-10 γνωστούς ηθοποιούς για τις φωνές μπορείς να έχεις μόνο έναν άγνωστο βοηθό που θα διαβάζει με χρωματισμένη φωνή όλα τα κείμενα και μετά θα αλλοιώνονται οι χροιές για να δημιουργηθούν διαφορετικοί χαρακτήρες. Απλά και όμορφα θα χαθούν ένα σωρό θέσεις εργασίας. Και άσε τις ταινίες. Στις διαφημίσεις μόνο θα γίνει σφαγή.

Ναι, σίγουρα. Σε αυτό δε διαφωνώ.

[sys3x]

Από την στιγμή που θα ολοκληρωθεί το αρχικό τρέηνηνγκ δεν χρειάζεται ο βόης άκτορ. Υπόψιν, αν υπάρχει αρκετή πληροφορία ήδη διαθέσιμη - ηχογραφημένη δεν χρειάζεται καθόλου ο "βόης άκτορ".

Και πώς θα καταλαβαίνει η μηχανή αν σε ένα σημείο πρέπει π.χ. να φωνάξει; Αν πρέπει να δείξει στιγμιαίο ενθουσιασμό και έπειτα απότομη εναλλαγή σε απογοήτευση; κ.λ.π. Θα επισημειώνεις τόσο αναλυτικά το κείμενο;

Όπα, μαλλον έχεις μπερδευτεί. O voice actor δεν θα είναι αυτός του οποίου η φωνή θα ακούγεται τελικά. Θα είναι απλά ένας ενδιάμεσος. Έστω π.χ. ότι θέλουμε τη φωνή του Morgan Freeman. Η μηχανή θα εκπαιδευτεί με υπάρχουσες ηχογραφήσεις του Morgan Freeman. Έπειτα ο voice actor θα εκφωνεί ένα κείμενο/σενάριο και η μηχανή θα το μετατρέπει αυτόματα στη φωνή του Morgan Freeman. Κάτι τέτοιο.

Ούτε το τελευταίο θα είναι απαραίτητο σε λίγο καιρό.

[sys3x]

Τσέκαρε και το λινκ ακριβώς κάτω από το οπ.

Το τσέκαρα και πριν, αλλά δεν κατάλαβα πολλά. Κάτι για transcription λέει. Μπορείς να εξηγήσεις τι σχέση έχει;

Μπορώ αλλά βαριέμαι.
Με το θέμα δεν έχει απλά σχέση, κυριολεκτικά είναι το θέμα, για την ακρίβεια είναι η πρώτη εμπορική εφαρμογή αυτού του "θέματος".

[ST48410]

Ούτε το τελευταίο θα είναι απαραίτητο σε λίγο καιρό.

Έτσι πιστεύω κι εγώ. Για κάθε φράση θα έχει ένα drop down menu με επιλογές συναισθηματικού χρωματισμού και θα επιλέγεται ο κατάλληλος.

Θα αλλάξει πολύ ο κόσμος και αυτό που λέμε εργασία σήμερα θα το ακούν οι επόμενες γενιές και θα μας θεωρούν πρωτόγονους.

[sys3x]

Ούτε το τελευταίο θα είναι απαραίτητο σε λίγο καιρό.

Έτσι πιστεύω κι εγώ. Για κάθε φράση θα έχει ένα drop down menu με επιλογές συναισθηματικού χρωματισμού και θα επιλέγεται ο κατάλληλος.

Μα γίνεται ήδη αυτό βρε.

Κατέβασε το descript και παίξε λίγο να το δεις και μόνος σου, έχει ΑΚΡΙΒΩΣ αυτό που περιέγραψες με τα drop down menu, ακριβώς όμως.

υγ: το descript βγήκε στον έξω κόσμο πριν από πολύ πολύ λίγο καιρό, τα μαθαίνεται όλα πρώτοι στο πχώρουμ.γκρ.

[ST48410]

υγ: το descript βγήκε στον έξω κόσμο πριν από πολύ πολύ λίγο καιρό, τα μαθαίνεται όλα πρώτοι στο πχώρουμ.γκρ.

ε, γιαυτό ερχόμαστε εδώ

[sys3x]

Κουφάλες.

SpoilerShow

[NoMoreLice]

Ούτε το τελευταίο θα είναι απαραίτητο σε λίγο καιρό.

Έτσι πιστεύω κι εγώ. Για κάθε φράση θα έχει ένα drop down menu με επιλογές συναισθηματικού χρωματισμού και θα επιλέγεται ο κατάλληλος.

Θα αλλάξει πολύ ο κόσμος και αυτό που λέμε εργασία σήμερα θα το ακούν οι επόμενες γενιές και θα μας θεωρούν πρωτόγονους.

Αυτό υπάρχει και τώρα, και είναι τεχνολογία δεκαετίας τουλάχιστον. Αλλά άλλο αυτό, και άλλο να σου εκφωνεί ένα συγκεκριμένο σενάριο με συγκεκριμένους φωνητικούς χρωματισμούς, παύσεις, αλλαγές συναισθημάτων κλπ. Είναι σαν να θες να φτάξεις ένα deep fake video, χωρίς να υπάρχει αρχικό βίντεο. π.χ. να λες φτιάξε μου μια σκηνή με τον Σταλόνε και τον Αρτέμη Σώρρα να πίνουν μοχίτο στην ταράτσα της Μεγάλης Βρετανίας, και να στο φτιάχνει. ΟΚ, ίσως μπορεί να γίνει και αυτό, αλλά έχει τεράστιο βαθμό ασάφειας. Έτσι και όταν έχεις ένα σενάριο, μπορείς να βάλεις ένα text to speech με κείμενο επισημειωμένο με συναισθήματα, παύσεις κλπ, αλλά λόγω της ασάφειας, το αποτέλεσμα θα διαφέρει αρκετά από το επιθυμητό.

[Dwarven Blacksmith]

Έπειτα ο voice actor θα εκφωνεί ένα κείμενο/σενάριο και η μηχανή θα το μετατρέπει αυτόματα στη φωνή του Morgan Freeman. Κάτι τέτοιο.

Αυτός ο voice actor θα κάνει δουλειά για 10 ηθοποιούς και θα αμείβεται το 1/1000 αυτών.

Σίγουρα θα έχει επιπτώσεις αλλά μην υποτιμάς το marketing, ο Κιάνου Ριβς ας πούμε στο Cyberpunk 2077 τι εξυπηρετούσε, θα μπορούσε να είναι οποισδήποτε. Αλλά πλήρωσαν για να μην είναι οποιοσδήποτε.

Ως κανόνας βέβαια μάλλον δίκιο έχεις. Αλλά το λέω για να μην εγκλωβιζώμαστε πάλι στο όλα ή τίποτα.

[NoMoreLice]

Ούτε το τελευταίο θα είναι απαραίτητο σε λίγο καιρό.

Έτσι πιστεύω κι εγώ. Για κάθε φράση θα έχει ένα drop down menu με επιλογές συναισθηματικού χρωματισμού και θα επιλέγεται ο κατάλληλος.

Μα γίνεται ήδη αυτό βρε.

Κατέβασε το descript και παίξε λίγο να το δεις και μόνος σου, έχει ΑΚΡΙΒΩΣ αυτό που περιέγραψες με τα drop down menu, ακριβώς όμως.

υγ: το descript βγήκε στον έξω κόσμο πριν από πολύ πολύ λίγο καιρό, τα μαθαίνεται όλα πρώτοι στο πχώρουμ.γκρ.

Μπορείς να το βάλεις να σου ριμάρει ένα κείμενο με τη φωνή του Εμινεμ όπως στο αρχικό ποστ;

[sys3x]

Έπειτα ο voice actor θα εκφωνεί ένα κείμενο/σενάριο και η μηχανή θα το μετατρέπει αυτόματα στη φωνή του Morgan Freeman. Κάτι τέτοιο.

Αυτός ο voice actor θα κάνει δουλειά για 10 ηθοποιούς και θα αμείβεται το 1/1000 αυτών.

Σίγουρα θα έχει επιπτώσεις αλλά μην υποτιμάς το marketing, ο Κιάνου Ριβς ας πούμε στο Cyberpunk 2077 τι εξυπηρετούσε, θα μπορούσε να είναι οποισδήποτε. Αλλά πλήρωσαν για να μην είναι οποιοσδήποτε.

Ως κανόνας βέβαια μάλλον δίκιο έχεις. Αλλά το λέω για να μην εγκλωβιζώμαστε πάλι στο όλα ή τίποτα.

Επίσης κοντά σε αυτό που λες συνυπολόγισε και ποιοι θα έχουν πρόσβαση σε πρήμιουμ έη άη λογισμικό για αυτήν την δουλειά που σίγουρα αρχικά δεν θα είναι ευρέως διαθέσιμο και αρκετά ακριβό.
Προς το παρόν το descript (που από όσο γνωρίζω είναι ουάν οφ ε κάηντ) είναι διαθέσιμο και δωρεάν για πεπερασμένο χρονικό διάστημα πάντως.

[sys3x]

Έτσι πιστεύω κι εγώ. Για κάθε φράση θα έχει ένα drop down menu με επιλογές συναισθηματικού χρωματισμού και θα επιλέγεται ο κατάλληλος.

Μα γίνεται ήδη αυτό βρε.

Κατέβασε το descript και παίξε λίγο να το δεις και μόνος σου, έχει ΑΚΡΙΒΩΣ αυτό που περιέγραψες με τα drop down menu, ακριβώς όμως.

υγ: το descript βγήκε στον έξω κόσμο πριν από πολύ πολύ λίγο καιρό, τα μαθαίνεται όλα πρώτοι στο πχώρουμ.γκρ.

Μπορείς να το βάλεις να σου ριμάρει ένα κείμενο με τη φωνή του Εμινεμ όπως στο αρχικό ποστ;

Εάν κανείς το κατάλληλο τρέηνηγκ μπορεί σίγουρα να κάνει απαγγελία, το να ριμάρει - τραγουδήσει είναι κάτι αρκετά διαφορετικό και περισσότερο περίπλοκο, προς το παρόν.