ZipL-Dialog: أصبح تركيب الكلام أكثر كفاءة بـ 11 مرة سريع
كان تحويل النصوص الطويلة إلى كلام، مثل الكتب الصوتية، يتطلب في السابق من الحاسوب الاحتفاظ بصورة مفصلة جداً لكل ثانية من الصوت — كما لو كان عليك رسم خطة دقيقة بمقياس المليمتر لمسار رحلة تستغرق ساعة كاملة. كانت هذه 'الخرائط' ضخمة، وحتى الأجهزة القوية كانت تتعثر أثناء تجميع الكلام قطعة قطعة.
أما طريقة ZipL-Dialog فتتبع نهجاً مختلفاً: فهي تضغط الصوت أولاً إلى صورة موجزة — مثل زنبرك مشدود يختزن طاقة كامنة. وفي هذا العالم المضغوط حيث البيانات أقل، 'ينبسط' الزنبرك ليتحول إلى كلام جاهز. يتعلم النظام القابل للتدريب كيفية ضغط الصوت واستعادته دون فقدان التعبير، ويعمل نموذج ZipFormer مباشرة داخل التمثيل المضغوط.
النتيجة: انخفض استهلاك الذاكرة الأقصى بمقدار 11.22 مرة، وزادت سرعة التوليد بمقدار 2.23 مرة. والآن، يتم تسجيل الصوت لمدة ساعة دون توقف، كما لو أن محرك أقراص فلاش واحداً حل محل خزانة مليئة بالأقراص.
منعطف مدهش: في شكله المضغوط، يصبح الصوت مضغوطاً لدرجة أن رواية كاملة يمكن أن تتسع في ذاكرة الوصول العشوائي للهاتف، ويبدأ التوليف في أن يُشبه العزف على آلة غير مرئية، حيث تُستخرج كل نغمة من التوتر الرياضي.
يمكن لأنظمة تركيب الكلام الحديثة تقليد صوت شخص معين من بضع دقائق فقط من التسجيلات — وهذا ما يُسمى باستنساخ الصوت.
في فيلم 'Her'، يقع البطل في حب نظام تشغيل بصوت مثالي؛ وتقرّبنا ZipL-Dialog من اليوم الذي ستتحدث فيه المساعدات الصوتية معنا لساعات دون توقف.