OpenVoice: pangunguna sa inobasyon sa teknolohiya ng pagkopya ng tinig

TL;DR. Ang OpenVoice mula sa MIT, Tsinghua at MyShell: agarang pagkopya ng tinig na 12 beses na mas mabilis kaysa sa tunay na oras, pagkopya sa iba't ibang wika sa pamamagitan ng zero-shot, at ang etikal na pagsasaalang-alang sa responsableng paggamit.

Mga Pangunahing Punto

OpenVoice: pangunguna sa inobasyon sa teknolohiya ng pagkopya ng tinig. Ang [OpenVoice ⧉][00] ay mapanlikhang teknolohiya ng pagkopya ng tinig na binuo ng [MIT ⧉][03], ng [Unibersidad ng Tsinghua ⧉][04], at ng [MyShell ⧉][01], isang bagong kompanyang Kanadyano para sa AI.
Panimula. Sa panahong nagpasiya ang [OpenAI ⧉][02] na paghigpitan ang pag-abot sa kasangkapan nito sa pagkopya ng tinig dahil sa takot sa maling paggamit, naghahandog ang OpenVoice ng responsableng kapalit.
Ang mapanguna na kahusayan ng OpenVoice. Namumukod ang OpenVoice sa pagiging agaran ng pagkopya ng tinig, sapagkat nangangailangan lamang ito ng maikling klip ng tunog upang tumpak na maulit ang tinig ng nagsasalita sa maraming wika.
Bilis at katumpakan: dalawahang tagumpay. Binibigyang-kakayahan ng balangkas ng OpenVoice ang paglampas sa mga katunggali sa bilis at sa katumpakan nang sabay, sapagkat lumilikha ito ng pananalita nang mas mabilis kaysa sa tunay na oras nang mga 12 beses sa…

OpenVoice: pangunguna sa inobasyon sa teknolohiya ng pagkopya ng tinig #

Ang OpenVoice ⧉ ay mapanlikhang teknolohiya ng pagkopya ng tinig na binuo ng MIT ⧉, ng Unibersidad ng Tsinghua ⧉, at ng MyShell ⧉, isang bagong kompanyang Kanadyano para sa AI. At pinahihintulutan nito ang mabilis at tumpak na paglikha ng tinig na may detalyadong kontrol sa katangian ng tinig. At gumanap ang MyShell ng mahalagang papel sa pagbuo ng OpenVoice, na ginamit nang milyon-milyong beses bilang makinaryang panlikod ng pagkopya ng tinig para sa plataporma nito. At namumukod ito sa bilis, katumpakan, at kakayahang umangkop.

Naghahandog ang OpenVoice ng saligang bentahe kumpara sa umiiral nang kasangkapan. Pinahihintulutan nito ang nababaluktot na kontrol sa estilo ng tinig na lumalampas sa tono at timbre. At taglay din nito ang kakayahang sumaklaw sa maraming wika sa pamamagitan ng sistemang zero-shot nang hindi nangangailangan ng malawak na datos para sa bawat wika. At ginagawang mahalaga ang kalikasan nitong bukas ang pinagmulan sa maraming sektor, mula sa pagiging accessible hanggang sa libangan at serbisyo sa kliyente. At nangangako ito ng patuloy na pagbuti, kaya pinatatatag nito ang posisyon nito bilang nangunguna sa paglikha ng artipisyal na tinig.

Panimula #

Sa panahong nagpasiya ang OpenAI ⧉ na paghigpitan ang pag-abot sa kasangkapan nito sa pagkopya ng tinig dahil sa takot sa maling paggamit, naghahandog ang OpenVoice ng responsableng kapalit. At salamat sa abanteng kontrol at sa opsiyon sa masusing pag-aayos, pinahihintulutan ng OpenVoice ang mga gumagamit na lumikha ng makatotohanan at maiaangkop na output na tinig habang binibigyang-prayoridad ang etikal na pagsasaalang-alang. At tinatalakay ng artikulong ito ang mapanguna na tampok ng OpenVoice, ang mga gamit nito sa tunay na buhay, at ang kinabukasan ng teknolohiya ng pagkopya ng tinig.

.class="m-10 w-100"

Ang mapanguna na kahusayan ng OpenVoice #

Namumukod ang OpenVoice sa pagiging agaran ng pagkopya ng tinig, sapagkat nangangailangan lamang ito ng maikling klip ng tunog upang tumpak na maulit ang tinig ng nagsasalita sa maraming wika. Binubuo ang balangkas ng dalawang bahagi: isang saligang modelo ng nagsasalita at isang tagapagbago ng kulay ng tono. At pinahihintulutan nito ang masusing kontrol sa estilo ng tinig, kabilang na ang tono ng damdamin, ang diin, ang ritmo, at ang intonasyon. At pinananatili din nito ang natatanging katangian ng tinig ng nagsasalita. At binibigyang-kakayahan ng sari-saring gamit na ito ang mga tagalikha at teknologo na makalikha ng tinig na umaalingawngaw nang may pagiging tunay at lalim ng damdamin.

.class="m-10 w-100"

Bilis at katumpakan: dalawahang tagumpay #

Binibigyang-kakayahan ng balangkas ng OpenVoice ang paglampas sa mga katunggali sa bilis at sa katumpakan nang sabay, sapagkat lumilikha ito ng pananalita nang mas mabilis kaysa sa tunay na oras nang mga 12 beses sa iisang yunit ng pagproseso ng grapika nang hindi isinasakripisyo ang kalidad ng kinopyang tinig. At kinukumpleto ng pambihirang katumpakan ang mabilis na pagprosesong ito.

Nangingibabaw ang OpenVoice sa pagkuha ng natatanging bahaging prosodiko at ng detalyeng pangwika ng sanggunian na tinig. At ginagawa nitong nangungunang solusyon ito sa teknolohiya ng pagkopya ng tinig.

.class="m-10 w-100"

Pagkopya ng tinig sa iba't ibang wika sa pamamagitan ng sistemang zero-shot #

Isa sa namumukod na tampok ng OpenVoice ang kakayahan nitong makamit ang pagkopya ng tinig sa iba't ibang wika sa pamamagitan ng sistemang zero-shot nang hindi nangangailangan ng malawak na datos para sa bawat wika. Gumagamit ang OpenVoice ng pandaigdigang sistemang ponetiko at ng representasyong neutral sa wika sa tagapagbago ng kulay ng tono. At kaya nitong ulitin ang tinig sa mga bagong wikang hindi kasama sa impormasyon ng pagsasanay nito. At malaking bentahe ito kumpara sa mga naunang pamamaraan.

.class="m-10 w-100"

Masusing kontrol: paghubog ng tinig nang may katumpakan #

Ibinubukod ang OpenVoice ng kakayahan nitong masusing iayos ang parametro ng tinig, sapagkat naghahandog ito sa mga gumagamit ng walang katulad na kontrol sa proseso ng paglikha ng pananalita. At itinuturing na saligan ang pag-aangkop at pagpapahayag ng tinig sa mga larangan tulad ng libangan, edukasyon, at serbisyo sa kliyente. At nangangailangan ang mga larangang ito ng sari-saring paghahatid ng tinig upang mapabuti ang pakikipag-ugnayan at pag-unawa ng gumagamit.

.class="m-10 w-100"

Matatag na paggamit sa tunay na buhay #

Napatunayan na ng OpenVoice ang kakayahan nitong magamit sa tunay na buhay, sapagkat ginamit ito nang sampu-sampung milyong beses bilang makinaryang panlikod ng pagkopya ng tinig ng MyShell.ai sa pagitan ng Mayo at Oktubre 2023. At pinatutunayan ng masinsinang paggamit na ito ang katatagan ng OpenVoice at ang kahandaan nitong ilunsad sa malawakang kapaligiran ng komersiyal na produksiyon.

.class="m-10 w-100"

Inobasyon sa pamamagitan ng pakikipagtulungang bukas ang pinagmulan #

Hindi lamang dinedemokratisa ng modelong bukas ang pinagmulan ng OpenVoice ang pag-abot sa abanteng teknolohiya ng pagkopya ng tinig, kundi pinatatatag din nito ang kolaboratibong kapaligiran para sa patuloy na pagbuti. At sa pag-anyaya ng ambag mula sa pandaigdigang komunidad ng teknolohiya, tinitiyak ng OpenVoice ang dinamikong pag-unlad ng kakayahan nito, kaya natutugunan nito ang mga umuusbong na pangangailangan at napalalawak nito ang saklaw ng aplikasyon nito. At ginawang bukas sa publiko ang pinagmulang kodigo at ang timbang ng modelo upang mapadali ang higit pang pananaliksik at pagpapaunlad.

.class="m-10 w-100"

Paghahambing sa kasangkapan sa pagkopya ng tinig ng OpenAI #

Bagaman kumakatawan ang kasangkapan sa pagkopya ng tinig ng OpenAI sa kapansin-pansing pagsulong sa paglikha ng tinig, nahihigitan ito ng OpenVoice sa paghahandog ng mas malaking sari-saring gamit at kontrol. At maaaring maging mahirap ang tuwirang paghahambing sa pagitan ng solusyon sa pagkopya ng tinig, sapagkat gumagamit ang iba't ibang solusyon ng magkakaibang hanay ng datos, sukatan ng pagtatasa, at larangan ng pagtuon. At namumukod ang OpenVoice sa pagkopya ng tinig dahil sa natatangi nitong kakayahan: ang pagkopya ng tinig sa iba't ibang wika sa pamamagitan ng sistemang zero-shot at ang malaking kakayahang umangkop sa kontrol ng estilo ng tinig. At ginagawa ng kombinasyong ito ng tampok ang OpenVoice na lubhang kayang umangkop at malakas, kaya nagiging pambihirang kasangkapan ito para sa pag-uulit ng tinig.

.class="m-10 w-100"

Sari-saring gamit sa iba't ibang industriya #

Umaabot ang mga gamit ng OpenVoice sa maraming sektor. Nangangako itong baguhin ang pagiging accessible sa pamamagitan ng paghahandog ng likas na paglalayag sa pamamagitan ng tinig para sa mga bulag. At sa libangan, pinahihintulutan nito ang paglikha ng sari-saring karakter na tinig para sa digital na nilalaman. At magagamit ng serbisyo sa kliyente ang OpenVoice upang mapatatag ang mga sistema ng interaktibong tugon sa pamamagitan ng tinig, kaya naghahandog ito sa mga gumagamit ng mas naaangkop at mas kaakit-akit na karanasan.

.class="m-10 w-100"

Pagsasaalang-alang sa responsableng AI #

Gaya ng sa alinmang malakas na teknolohiya, saligan ang pagtingin sa etikal na kahihinatnan at sa posibleng maling paggamit ng pagkopya ng tinig.

Nakatuon ang mga developer ng OpenVoice sa gawi ng responsableng AI:

Pagkuha ng pahintulot ng mga taong kinokopya ang tinig
Paggamit ng tubig-tatak upang matukoy ang nilikhang nilalaman
Pagpapabatid sa mga gumagamit hinggil sa angkop na paggamit ng teknolohiya
Magiging saligan ang patuloy na pananaliksik at ang pakikipagtulungan sa mga dalubhasa sa etika at sa mga gumagawa ng patakaran upang matugunan ang umuunlad na hamon sa larangang ito.

.class="m-10 w-100"

Ang abot-tanaw ng mga pag-unlad sa hinaharap #

Habang sumusulong ang OpenVoice, nakatuon ang mapa nito sa:

Pagpapabuti ng modelo nito upang masaklaw ang higit pang estilo ng tinig at punto
Pagbuo ng kakayahan sa paglikha sa iba't ibang wika
Pagpapabuti ng bilis ng inperensiya

Tinitiyak ng pagbuong bukas ang pinagmulan na mananatiling mapanlikha ang OpenVoice. At pananatilihin ng ambag ng komunidad at ng teknikal na pagsulong ang posisyon nito sa unahan ng pagkopya ng tinig.

.class="m-10 w-100"

Pangwakas #

Kumakatawan ang OpenVoice sa saligang punto sa ebolusyon ng teknolohiya ng pagkopya ng tinig. At pinagsasama ng OpenVoice ang mabilis at tumpak na paglikha ng tinig at ang walang katulad na kontrol sa katangian ng tinig. Nahihigitan nito ang umiiral nang kasangkapan at naglalatag ito ng bagong pamantayang pang-industriya. At bilang proyektong bukas ang pinagmulan na may gamit sa tunay na buhay, itinatalaga ng OpenVoice ang sarili sa patuloy na pagbuti. At isa itong pangunahing teknolohiyang huhubog sa paraan ng paggawa ng artipisyal na pananalita sa hinaharap, na may gamit sa maraming larangan at aplikasyon.

Mga sanggunian #

MyShell. (2023). OpenVoice: pangunguna sa inobasyon sa teknolohiya ng pagkopya ng tinig. Retrieved from https://research.myshell.ai/open-voice
Qin, Z., Zhao, W., Yu, X., & Sun, X. (2023). OpenVoice: Versatile Instant Voice Cloning. arXiv preprint arXiv:2312.01479. Retrieved from https://arxiv.org/abs/2312.01479

Huling sinuri 2026-08-28.

Muling i-publish ang artikulong ito

OpenVoice: pangunguna sa inobasyon sa teknolohiya ng pagkopya ng tinig — Sebastien Rousseau

Ang OpenVoice mula sa MIT, Tsinghua at MyShell: agarang pagkopya ng tinig na 12 beses na mas mabilis kaysa sa tunay na oras, pagkopya sa iba't ibang wika sa pamamagitan ng zero-shot, at ang etikal na pagsasaalang-alang sa responsableng paggamit.

Ang artikulong ito ay nakapailalim sa lisensya ng Creative Commons Attribution 4.0 International. Kailangan ng pagkilala sa canonical URL para sa muling pag-publish.

OpenVoice: pangunguna sa inobasyon sa teknolohiya ng pagkopya ng tinig — Sebastien Rousseau

Ang OpenVoice mula sa MIT, Tsinghua at MyShell: agarang pagkopya ng tinig na 12 beses na mas mabilis kaysa sa tunay na oras, pagkopya sa iba't ibang wika sa pamamagitan ng zero-shot, at ang etikal na pagsasaalang-alang sa responsableng paggamit.

Originally published at https://sebastienrousseau.com/fil/2024-04-01-openvoice-inobasyon-sa-pagkopya-ng-tinig/ by Sebastien Rousseau.
Licensed under CC-BY-4.0.

SEBASTIEN ROUSSEAU FOUNDER · ENGINEER