Inteligência artificial copia com perfeição a voz de Bill Gates

O que você precisa saber

Uma série de áudios divulgados na internet mostram o que parece ser Gates emitindo uma série de frases. “Uma cãibra não é um pequeno perigo ao nadar”; “Escreva uma nota para o amigo que você ama”. Parecem frases sem sentido para Bill Gates pronunciar em voz altas, mas existe uma lógica: trata-se na verdade de um um sistema de aprendizado de máquina chamado MelNet, projetado e criado por engenheiros no Facebook, capaz de replicar vozes de pessoas famosas.

O fundador da Microsoft é o mais conhecido dos poucos indivíduos que o Melnet é capaz de imitar. Os outros, incluindo George Takei, Jane Goodall e Stephen Hawking, podem ser ouvidos neste link — sob o título “Selected Speakers”.

Um dos recursos usados para treinar o MelNet foi um conjunto de dados de 452 horas das palestras do TED. O restante veio de audiobooks, escolhidos porque a “maneira altamente animada” dos falantes é um alvo desafiador.

A qualidade dos clones de voz tem melhorado nos últimos anos. Grande parte desse progresso remonta a 2016, com o lançamento de SampleRNN e WaveNet. O último é um programa que transforma texto em fala com aprendizado de máquina criado pelo DeepMind, o laboratório de inteligência artificial Google, em Londres, que agora controla o Google Assistant.

A abordagem básica dos programas WaveNet, SampleRNN e similares é alimentar uma tonelada de dados no sistema e usá-los para analisar as nuances de uma voz humana. Os sistemas “texto para fala” mais antigos não geram áudio, mas o reconstituem: cortando amostras de fala em fonemas e juntando-os novamente para criar novas palavras. Mas, enquanto o WaveNet e outros foram treinados usando formas de onda de áudio, o MelNet, do Facebook, usa um formato mais rico e mais informativo para seu aprendizado: o espectrograma.

Em um documento anexado, os pesquisadores do Facebook observam que, enquanto a WaveNet produz saída de áudio de alta fidelidade, a MelNet é superior na captura de “estrutura de alto nível” — consistências sutis contidas na voz do falante que são, ironicamente, quase impossíveis de descrever em palavras, mas totalmente perceptíveis ao ouvido humano.