โมเดล AI แปลงข้อความเป็นคําพูดใหม่นี้เข้าใจสิ่งที่พูด - วิธีทดลองใช้ฟรี

ฉันทดสอบโมเดล Octave ใหม่ของ Hume และประทับใจกับผลลัพธ์ที่ได้ ตอนนี้คุณสามารถลองได้เช่นกัน

โมเดล AI แปลงข้อความเป็นคําพูดเป็นเครื่องมือที่ยอดเยี่ยมสําหรับกรณีที่มักใช้นักพากย์ที่เป็นมนุษย์ เช่น หนังสือเสียง การพากย์ โฆษณา และอื่นๆ อย่างไรก็ตามเนื่องจากโมเดลเหล่านี้ไม่ใช่มนุษย์และไม่ทราบถึงสิ่งที่พวกเขาพูดบางครั้งจึงฟังดูเหมือนหุ่นยนต์อย่างเห็นได้ชัด โมเดล AI ใหม่ของ Hume พยายามแก้ไขปัญหานี้ 

อ็อกเทฟ

เมื่อวันพุธ Hume ได้เปิดตัว Octave ซึ่งเป็นโมเดลภาษาขนาดใหญ่แปลงข้อความเป็นคําพูด (LLM) ที่มีการรับรู้ตามบริบท LLM สามารถใช้การรับรู้นี้เพื่อปรับท่วงทํานอง จังหวะ และเสียงต่ําของคําพูดให้เข้ากับคําที่กําลังอ่านตามความหมายของบริษัท ตัวอย่างเช่น เสียงที่เปิดใช้งาน AI สามารถสื่อถึงความรู้สึกขยะแขยงเมื่ออ่านประโยค

นอกเหนือจากการทําความเข้าใจบริบทของข้อความแล้วโมเดลยังสามารถรับคําแนะนําได้อีกด้วย ผู้ใช้สามารถสั่งให้ "สงบ" "กระซิบ" "ขยะแขยง" "โกรธ" และอื่นๆ Hume กล่าวว่าข้อได้เปรียบของ Octave เหนือนักพากย์คือสามารถรับเสียงใดก็ได้หรือแม้แต่ประดิษฐ์เสียงใหม่ตามคําอธิบาย ของผู้ใช้

ตัวอย่างเช่น Hume กล่าวว่าผู้ใช้สามารถให้ข้อความแจ้งง่ายๆ เช่น "พ่อมดที่ชาญฉลาด" หรือซับซ้อนพอๆ กับการรวมสําเนียงต่างๆ กลุ่มประชากร บทบาทอาชีพ และอื่นๆ โดยพื้นฐานแล้ว โมเดลจะประดิษฐ์เสียงในสคริปต์เพียงอย่างเดียว แต่เมื่อได้รับแจ้ง ก็สามารถควบคุมได้ด้วยสคริปต์และคําอธิบาย 

การทดสอบแบบจําลอง

ส่วนต่อประสานผู้ใช้นั้นใช้งานง่ายด้วยกล่องข้อความหนึ่งกล่องสําหรับเสียงซึ่งคุณสามารถอธิบายได้อย่างชัดเจนว่าคุณต้องการให้เสียงเป็นอย่างไรและอีกกล่องหนึ่งสําหรับสคริปต์ซึ่งคุณป้อนสิ่งที่คุณต้องการให้โมเดลพูด สําหรับการทดสอบครั้งแรกของฉันฉันใช้ข้อความแจ้งที่สร้างไว้ล่วงหน้าโดยละเอียดเพื่อดูว่ามันฟังดู เป็นอย่างไร

หลังจากคลิกที่ "สร้าง" Octave ก็สร้างผลลัพธ์เสียงสามเสียง และเมื่อฟังครั้งแรกฉันก็ประทับใจ แม้ว่าฉันจะไม่เชื่อว่าคนรุ่นต่อรุ่นจับเสียง "สาวหุบเขา" แต่ฉันก็ประทับใจมากกับน้ําเสียงและการผัน ผัน

สําหรับพรอมต์ของฉันฉันสร้างสถานการณ์ที่ผู้พูดหลักหายใจไม่ออกจากการวิ่งและรีบร้อน สคริปต์อ่านว่า: "เย้ ฉันใกล้จะถึงเส้นชัยแล้ว ฉันเหนื่อยมาก แต่จะผลักดันต่อไปเพราะฉันใกล้จะถึงแล้ว แล้วเจอกันใหม่! ลาก่อน" 

ฉันมีความสุขไม่แพ้กันกับผลลัพธ์เหล่านี้ อ็อกเทฟส่วนใหญ่ถ่ายทอดสิ่งที่ฉันต้องการโดยวางความตื่นเต้นและการหยุดชั่วคราวในปริมาณที่เหมาะสมซึ่งจะหายใจหากคุณเหนื่อยล้าจากการวิ่ง อย่างไรก็ตาม เช่นเดียวกับตัวอย่างก่อนหน้านี้ เสียงไม่ได้เป็นอย่างที่ฉันอธิบายไว้ ในกรณีนี้ผู้พูดไม่ได้พูดเร็วมาก 

โดยรวมแล้ว ดูเหมือนว่าจุดแข็งของโมเดลคือการวางความแตกต่างของคําพูดของมนุษย์ในผลลัพธ์ สิ่งที่มักจะทําให้เสียง AI หายไปคือความน่าเบื่อหน่าย ทําให้เอาต์พุตฟังดูน่าเบื่อที่จะฟัง ด้วย Octave คุณสามารถได้ยินอารมณ์ของผู้อ่าน ไม่ว่าจะเป็นความหงุดหงิด ความพ่ายแพ้ หรือความเหนื่อยล้า คําอย่าง "อืม" มีความยาวและการหายใจที่แน่นอนที่มนุษย์จะใช้ ซึ่งสร้างประสบการณ์ ที่น่าสนใจ

วิธีการเข้าถึง

มีระดับที่แตกต่างกันสําหรับการเข้าถึงโมเดล รวมถึงระดับฟรีที่จํากัดอักขระ 10,000 ตัว (ประมาณ 10 นาที) และเสียงอักขระไม่จํากัดหากคุณต้องการทดลองใช้ นอกเหนือจากระดับฟรีแล้ว ยังมีอีกหกระดับเพิ่มเติม ตั้งแต่ $3 ถึง $900 ต่อเดือน ขึ้นอยู่กับความต้องการในการเข้าถึง  

ตัวอย่างเช่น ระดับเริ่มต้น คือ 3 USD ต่อเดือน และมีอักขระ 30,000 ตัว (ประมาณ 30 นาที) ในขณะที่ระดับธุรกิจคือ 900 USD ต่อเดือนสําหรับ 10,000,000 อักขระ (ประมาณ 10,000 นาที) นอกจากนี้ยังมีตัวเลือก Enterprise ที่สามารถปรับแต่งได้ตามความต้องการของคุณ คุณสามารถดูข้อเสนอทั้งหมดและเริ่มต้นได้ที่เว็บไซต์ Hume