Хиймэл оюун ухааны дуу хоолойн загварыг хэрхэн сургах вэ? [Видео болон асуулт хариулт]

Товч хариулт: Зөвшөөрөлтэй, цэвэр бичлэг, яг таг бичвэр, болгоомжтой урьдчилсан боловсруулалт ашиглан хиймэл оюун ухааны дуу хоолойн загварыг сургаж, дараа нь нарийн тохируулж, бодит скрипт дээр туршина. Өгөгдлийн багц нь микрофон, өрөө, хурд, цэг таслал дээр тогтвортой хэвээр байвал та илүү сайн үр дүнд хүрэх болно. Хэрэв чанар буурвал сургалтын тохиргоог өөрчлөхөөсөө өмнө өгөгдлийг засна уу.

Гол дүгнэлтүүд:

Зөвшөөрөл: Зөвхөн өөрийн эзэмшдэг эсвэл ашиглах тодорхой бичгээр зөвшөөрөл авсан дуу хоолойг сургана уу.

Бичлэг: Хэсгүүдийн хооронд нэг микрофон, нэг өрөө, нэг эрч хүчний түвшинд байлга.

Хуулбар: Тоо, нөхөөс, нэр, цэг таслал зэрэг хэлсэн үг бүрийг яг таг тохируулна уу.

Үнэлгээ: Зөвхөн өнгөлсөн демо мөрүүдээр биш, эмх замбараагүй, жинхэнэ скриптүүдээр туршина уу.

Засаглал: Сургалтанд хамрагдсан дуу хоолойг ашиглахаасаа өмнө хандалт, мэдээлэл задруулах болон хориглосон хэрэглээг тодорхойл.

Хүмүүс яагаад хиймэл оюун ухааны дуу хоолойн загварыг хэрхэн сургах талаар сурахыг хүсдэг вэ? 🎧

Үүнд олон шалтгаан бий, зарим нь бусдаасаа илүү хүчтэй байдаг.

Ихэнх хүмүүс дуут загваруудыг дараах зорилгоор сургадаг:

• Бүх скриптийг гараар бичихгүйгээр дуут бичлэг үүсгэх

• Видео эсвэл подкастуудад зориулж тогтвортой хөтлөгч дуу хоолойг бий болго

• Контентыг илүү хурдан нутагшуулах

• Дижитал бүтээгдэхүүнийг илүү хувийн болгох

• Хандалт эсвэл архивт ашиглахын тулд дуу хоолойгоо хадгалах

• Тоглоом эсвэл үлгэр ярихад зориулж дүрийн дуу хоолойг туршиж үзээрэй 🎮

Дараа нь практик тал бий. Шинэ аудио бичлэг хийх бүрт хурдан элэгдэж мууддаг. Сургагдсан загвар өмсөгч цаг хэмнэж, студийн зардлыг бууруулж, дахин ашиглах боломжтой, хэмжээ нь томруулсан дуу хоолойг танд өгөх боломжтой.

Гэсэн хэдий ч тодорхой хэлье - энэ технологийг буруу ашиглаж болно. Тиймээс ажлын урсгалд сэтгэл хөдлөхөөсөө өмнө нэг дүрмийг тодорхой болго: хоолойгоороо л сурга өөрийн эзэмшдэг эсвэл зөвшөөрөлтэй ашиглах. Шалтаг байхгүй, "зүгээр л туршиж үзэх" хэрэггүй, сэжигтэй клон туршилт хийх хэрэггүй. Энэ зам муухайгаар хурдан эргэдэг.

Сайн хиймэл оюун ухааны дуу хоолойн загварыг юу бүрдүүлдэг вэ? ✅

Сайн хиймэл оюун ухааны дуу хоолойн загвар нь зөвхөн "тодорхой" биш юм. Энэ нь янз бүрийн төрлийн текстэд итгэмээр, тогтвортой, илэрхийлэлтэй, тууштай сонсогддог.

Хүмүүсийн үнэхээр сонсох дуртай загвараас зохистой загварыг ихэвчлэн ялгадаг зүйл энд байна:

• Цэвэр бичлэг - чимээ шуугиан, цуурай, товчлуурын товшилт, өрөөний цуурай байхгүй

• Тогтмол хүргэлт - микрофоны зай, ярианы эрчим хүч, өрөөний тохиргоо ижил байна

• Байгалийн хэмнэл - хэт яарахгүй, өвдөлт ихтэй удаан биш

• Дуудлагын сайн хамгаалалт - үг, нэр, тоо, өгүүлбэрийн хэлбэрийн хангалттай олон янз байдал

• Сэтгэл хөдлөлөө хянах - төвийг сахисан загвар өмсөгч ч гэсэн дотроо үхмэл сонсогдох ёсгүй 😬

• Текстийн тэгшитгэлийн нарийвчлал - транскрипт нь аудиотой зөв таарч байх шаардлагатай

• Бага эд өлгийн зүйлийн түвшин - алдаа дутагдал, залгисан үгс эсвэл роботын хэлбэлзэл багатай

"Төгс" радио хоолой үргэлж хамгийн сайн тохирохгүй байдаг. Бага зэрэг төгс бус боловч сайн бичигдсэн хоолой нь эхнээсээ л хүнийх шиг сонсогддог тул илүү сайн бэлтгэл хийдэг. Хэтэрхий өнгөлөг байвал хөшүүн болж болно. Хэтэрхий энгийн байвал шаварлаг болж болно. Энэ бол тэнцвэржүүлэх үйлдэл юм - гал шидэгчээр талх шарахтай адил... магадгүй боломжтой ч тийм ч гоёмсог биш.

Хиймэл оюун ухааны дуу хоолойн загварыг сургах гол бүтцийн хэсгүүд 🧱

Хэрэгслүүд болон сургалтын дэлгэц рүү орохоосоо өмнө гол хэсгүүдийг ойлгоход тусална. Платформоос үл хамааран ажлын урсгал бүр дараах найрлагыг агуулдаг:

1. Дуут өгөгдөл

Энэ бол таны түүхий эд - бичигдсэн ярианы клип.

2. Транскриптүүд

Аудио клип бүр тохирох тексттэй байх шаардлагатай. Хэрэв бичвэр буруу байвал загвар нь буруу зүйлийг сурна. Маш энгийн, бага зэрэг ядаргаатай.

3. Урьдчилан боловсруулалт

Үүнд чимээгүй байдлыг багасгах, дууны түвшинг хэвийн болгох, чимээ шуугианыг арилгах, урт бичлэгийг ашиглах боломжтой хэсгүүдэд хуваах зэрэг орно.

4. Загварын сургалт

Энэ бол систем нь текст болон яригчийн дуу хоолойн хэв маягийн хоорондын хамаарлыг сурдаг газар юм.

5. Үнэлгээ

Та дуу хоолой хэр байгалийн, нарийвчлалтай, тогтвортой сонсогдож байгааг шалгадаг.

6. Нарийн тохируулга

Та загварыг тохируулж, өгөгдлийг сайжруулж, дахин сургаж эсвэл илүү сайн дээж нэмнэ.

Тиймээс хүмүүс хиймэл оюун ухааны дуу хоолойн загварыг хэрхэн сургах вэ гэж асуухад тэд сургалт бол бүхэл бүтэн түүх гэж төсөөлдөг. Гэхдээ тийм биш. Сургалт бол гинжин хэлхээний зөвхөн нэг үе шат юм. Мэдээж маш чухал гинжин хэлхээ - гэхдээ зөвхөн нэг холбоос хэвээр байна.

Харьцуулах хүснэгт - үүнд хандах хамгийн түгээмэл аргууд 📊

Хүмүүсийн сонгосон гол маршрутуудын практик харьцуулалтыг доор харуулав. Бүх сонголт төсөл бүрт тохирохгүй бөгөөд энэ нь зүгээр юм.

Бүх нийтийн ялагч гэж байдаггүй. Ихэнх хүмүүсийн хувьд урьдчилан бэлтгэгдсэн загварыг өндөр чанартай дуут өгөгдөл ашиглан нарийн тохируулах нь хамгийн тохиромжтой цэг юм. Энэ нь таныг сансрын хөлгийг бүхэлд нь өөрөө угсрахаас өөр аргагүйд хүргэхгүйгээр хүчтэй үр дүнд хүрэх болно.

Алхам 1 - Зөвхөн ихийг нь биш, зөв ​​дуу хоолойн өгөгдлийг бич 🎤

Чанар эндээс эхэлдэг. Мөн олон төсөл чимээгүйхэн задардаг газар юм.

Олон хүн илүү их аудио автоматаар илүү сайн гүйцэтгэлтэй байна гэж үздэг. Заримдаа тийм. Заримдаа огт үгүй. Арван цагийн бүдүүлэг бичлэг нь нэг цагийн цэвэр, тогтвортой ярианд алдагдаж болзошгүй.

Сайн бичлэгийн өгөгдөл ямар харагддаг вэ

• Өгөгдлийн багц даяар ижил микрофон

• Ижил өрөө, ижил үндсэн бичлэгийн тохиргоо

• Хамгийн бага дэвсгэр чимээ

• Байгалийн ярианы өнгө аяс

• Хэтэрхий театрчилсан сонсогдохгүй, тодорхой уран зохиол

• Өгүүлбэрийн урт болон авиа зүйн хослолуудын хүрээ

Сайн зорилтот өгөгдлийн багц нь ихэвчлэн дараахь зүйлийг агуулдаг

• Богино ярианы мөрүүд

• Илүү урт тайлбар өгүүлбэрүүд

• Асуултууд

• Тоо болон огноо - гэхдээ хэрэв танд хэрэггүй бол энд бичвэртээ тодорхой жилийн ишлэлийг хэлэхээс зайлсхий

• Нэрс, газрууд болон төвөгтэй дуудлагын тохиолдлууд

• Түр зогсолт, таслал болон цэг таслалаар удирдуулсан хэмнэл

Практик бичлэг хийх зөвлөмжүүд

• Чимээгүй, зөөлөн тавилгатай өрөөнд бичлэг хий

• Микрофоны байрлалыг тогтмол байлга

• Ус завсарлага болон хэмнэлээр амандаа товшихоос зайлсхий

• Аудиог оруулахдаа хэт их боловсруулж болохгүй

• Эрчим хүчний түвшиндээ тогтвортой байгаарай

Энд нэг жижиг үнэний бөмбөг байна - хэрэв илтгэгч ярианы дундуур ядарсан сонсогдвол загвар өмсөгч тэр сул өнгө аясыг бас сурч магадгүй юм. Дуу хоолойны загвар өмсөгчид чихэвчтэй хөвөн шиг юм.

Алхам 2 - Моделийнхоо амьдрал үүнээс хамаардаг шиг бичлэгийн материалыг бэлтгэ 📝

Учир нь, нэг талаараа тийм.

Бичлэгийн чанар маш чухал. Загвар нь аудио болон текстийн хослолоос суралцаж байна. Хэрэв илтгэгч нэг зүйл хэлж, бичвэр өөр зүйл хэлбэл зураглал нь замбараагүй болно. Замбараагүй зураглал нь эвгүй синтез хийхэд хүргэдэг - алгассан үгс, буруу дуудагдсан хэллэгүүд, санамсаргүй стрессийн хэв маяг гэх мэт утгагүй зүйл.

Таны хуулбарууд байх ёстой

• Ярьсан үгстэй яг таарч байна

• Цэг таслалын хэв маягийн хувьд тууштай

• Цэвэрхэн форматлагдсан

• Зөв бичгийн алдаагүй

• Хэрэгсэлд тань шаардлагагүй бол шаардлагагүй тэмдэгтүүдээс чөлөөлөгдсөн

Хэрхэн зохицуулахаа эртнээс шийдээрэй

• Тоонууд - "42" ба "дөчин хоёр"

• Товчлолууд - “Доктор” ба “Доктор”

• Дүүргэгч - “мм”, “аа,” “чи мэдэж байгаа”

• Инээд эсвэл амьсгал

• Тусгай нэр эсвэл гадаад үгс

Зарим бүтээгчид бүх зүйлийг автоматаар хуулбарлаад цааш үргэлжлүүлэхийг оролддог. Мэдээжийн хэрэг, сонирхолтой. Гэхдээ автоматаар хуулбарлах нь хүний ​​хяналт шаарддаг, ялангуяа нэр, аялга, техникийн үгсийн сан, цэг таслалын хувьд. 95% нарийвчлалтай хуулбар цаасан дээр нэлээд сайн сонсогддог. Сургалтын явцад алга болсон 5% нь чангаар сонсогдож болно.

Алхам 3 - Сургалтын өгөгдлийн санг цэвэрлэж, сегментчилнэ үү ✂️

Энэ хэсэг нь уйтгартай юм. Би мэдэж байна. Энэ нь бас хамгийн өндөр хөшүүргийн алхамуудын нэг юм.

Та өгөгдлийн сангаа удирдах боломжтой клипүүдэд хуваахыг хүсэж байгаа бөгөөд энэ нь ихэвчлэн загвар нь аварга том бичлэгт төөрөлгүйгээр тодорхой текст-аудио харилцааг сурч чадахуйц богино байх ёстой.

Сайн сегментчилэл нь ихэвчлэн гэсэн үг юм

• Клипүүд нь богино бөгөөд төвлөрсөн байна

• Чимээгүй байдал намжсан ч байгалийн жамаар тасраагүй

• Нэг клип тутамд нэг бичлэг

• Давхардсан яриа байхгүй

• Хөгжмийн ор байхгүй

• Гэнэтийн өсөлт байхгүй

Нийтлэг цэвэрлэгээний ажлууд

• Дуу чимээг бууруулах

• Чанга байдлыг хэвийн болгох

• Дуугүй тайралт

• Хассан эсвэл гажуудсан зургийг арилгах

• Сургалтын стекийн шаардлагатай формат руу дахин экспортлох

Гэхдээ энд нэг урхи байгаа. Хэт их цэвэрлэгээ хийснээр хоолой хэврэг сонсогдож магадгүй. Та үүнээс хүн чанарыг нь өнгөлөхийг хүсэхгүй байна. Жижигхэн амьсгал болон байгалийн бүтэц нь зүгээр - бүр тустай. Ариутгасан дуу чимээ нь ариутгасан синтез болж хувирч болох бөгөөд хэн ч хүснэгтэд гарч ирсэн мэт сонсогдох дуу хоолойг хүсэхгүй 😬

Алхам 4 - Ур чадварынхаа түвшинд тохирсон сургалтын замыг сонгоорой ⚙️

Энэ бол хүмүүс хэт төвөгтэй эсвэл хэт хялбаршуулдаг зүйл юм.

Ерөнхийдөө танд гурван бодит сонголт байна:

А сонголт - Хостинг сургалтын платформ ашиглах

Хэрэв та хурд, тохь тухыг хүсч байвал хамгийн сайн.

Давуу талууд:

• Илүү хялбар интерфэйс

• Техникийн тохиргоо багатай

• Хэрэглэх боломжтой гаралт руу хурдан хүрэх зам

• Ихэвчлэн дүгнэлтийн хэрэгслүүдийг агуулдаг

Сул талууд:

• Хяналт багатай

• Зардал нэмэгдэж магадгүй

• Загварын зан төлөвийг хайрцагт хийж болно

Сонголт B - Нээлттэй эх үүсвэртэй эсвэл өөрчлөн тохируулсан TTS загварыг нарийн тохируулах

Чанар болон уян хатан байдлыг хүсч байвал хамгийн сайн.

Давуу талууд:

• Сургалтын талаар илүү их хяналт тавих

• Илүү сайн тохируулга

• Өгөгдлийн сангаа оновчтой болгоход илүү хялбар

Сул талууд:

• Техникийн зарим мэдлэг шаарддаг

• Илүү олон туршилт ба алдаа

• Техник хангамж илүү чухал

C сонголт - Эхнээс нь сургах

Хэрэв та ахисан түвшний судалгаа хийж байгаа эсвэл тусгайлан боловсруулсан зүйл хийж байгаа бол хамгийн сайн.

Давуу талууд:

• Архитектурын дээд хяналт

• Захиалгат загварын зан төлөв

Сул талууд:

• Өгөгдлийн асар их хэрэгцээ

• Туршилтын урт мөчлөг

• Цаг хугацаа, эрч хүч, тэвчээрийг үрэх нь маш амархан

Ихэнх хүмүүсийн хувьд - тийм ээ, үүнд хязгаарлагдмал зурвасын өргөнтэй ухаалаг хөгжүүлэгчид ч багтдаг - нарийн тохируулга хийх нь ухаалаг сонголт юм. Энэ бол дунд шугам юм. Гялалзсан биш, энгийн биш, зүгээр л үр дүнтэй.

Алхам 5 - Сургалт, үнэлгээ, дараа нь дахин сурга... учир нь бүх зүйл ингэж л болдог 🔁

Энд систем дуу хоолойн хэв маягийг сурч эхэлдэг.

Сургалтын үеэр загвар нь фонем, цаг хугацаа, үг хэллэг, дуу хоолойн өвөрмөц байдлыг хуулбарласан аудио дээжтэй холбохыг оролддог. Хүрээнээс хамааран та вокодер, хэв маягийн кодлогч, чанга яригч оруулах систем эсвэл текстийн урд хэсэгтэй сургалт явуулж эсвэл хослуулж болно. Сонирхолтой хэллэг, тийм ээ, гэхдээ үндсэн санаа нь хэвээрээ байна - текстийг тухайн дуу хоолой болгоход заах.

Сургалтын үеэр юуг хянаж байдаг вэ

• Алдагдлын утга

• Дуудлагын тогтвортой байдал

• Аудиогийн байгалийн байдал

• Ярих хурд

• Сэтгэл хөдлөлийн тогтвортой байдал

• Эд өлгийн зүйлсийн оршихуй

Таны загвар сайжирч байгаагийн шинж тэмдэг

• Цөөн гажуудсан үгс

• Илүү жигд шилжилтүүд

• Илүү итгэмээр түр зогсолтууд

• Танил бус өгүүлбэрүүдийг илүү сайн зохицуулах

• Гаралтууд дээрх тогтвортой дуу хоолой таних чадвар

Ямар нэгэн зүйл буруу болж байгааг илтгэнэ

• Металл эсвэл дуугаралттай гаралт

• Давтагдсан үеүүд

• Бүдэг гийгүүлэгч

• Санамсаргүй драматик онцлох үйл явдал

• Хавтгай, амьгүй хүргэлт

• Нэг дээжээс нөгөө рүү шилжих дуу хоолойн шилжилт

Тийм ээ, давталт хэвийн үзэгдэл. Маш хэвийн үзэгдэл. Эхний сургасан үр дүн нь ирээдүйтэй байж болох ч бага зэрэг буруу байж магадгүй. Магадгүй зөв сонсогдож байгаа ч хэтэрхий удаан уншигдаж магадгүй. Магадгүй богино мөрүүдийг сайн зохицуулж, урт бичвэрүүд дээр бүдэрч магадгүй. Магадгүй хүүрнэлийг сайн зохицуулж байгаа ч тоонуудын талаар эргэлзээтэй болж магадгүй. Энэ нь төсөл бүтэлгүйтсэн гэсэн үг биш. Энэ нь та одоо чухал хэсэгт орсон гэсэн үг юм.

Алхам 6 - Бодит байдал, сэтгэл хөдлөл, хяналтаа нарийн тохируулах 🎭

Энэ бол зохистой загвар өмсөгч өөрийн байр сууриа олж авах чадвартай загвар өмсөгч болж эхэлдэг үе юм.

Үндсэн дуу хоолой ажиллаж эхэлмэгц дараагийн сорилт бол хяналт юм. Та зүгээр л дуу хоолой оршин байгаасай гэж хүсэхгүй байна. Та түүнийг зөв ажиллаж байгаасай гэж хүсэж байна.

Нарийн тохируулах шаардлагатай газрууд

• Просоди - өгсөж унах, байгалийн онцлох үйл явдал, хэмнэл

• Сэтгэл хөдлөл - тайван, эрч хүчтэй, дулаахан, нухацтай

• Ярианы хэв маяг - харилцан ярианы, зааварчилгааны, киноны

• Дуудлагын давталт - брэндийн нэр, хэллэг, нэрс

• Өгүүлбэр боловсруулах - ялангуяа урт эсвэл нарийн төвөгтэй бүтэц

Олон бүтээгчид хэтэрхий эрт зогсдог. Тэд "яригч шиг сонсогдож" байгаа хоолойг олж аваад дууссан гэж нэрлэдэг. Гэхдээ ижил төстэй байдал нь дангаараа хангалтгүй. Сайн загвар нь янз бүрийн скриптийн төрлүүдийг байгалийн жамаар уншдаг. Энэ нь хичээл, сурталчилгааны мөр, харилцан ярианы догол мөрийг хагас дутуу өөрчлөгдсөн мэт сонсогдохгүйгээр зохицуулах ёстой.

Тийм ч учраас хиймэл оюун ухааны дуу хоолойн загварыг хэрхэн сургах вэ? нэг товшилтоор хариулт байдаггүй. Жинхэнэ амжилт нь сургалт болон сайжруулалтаас үүдэлтэй. Тэнд 80% байгаа загвар ч гэсэн буруу санагдаж магадгүй. Сүүлийн 20%? Анх харагдаж байгаагаасаа хамаагүй чухал.

7-р алхам - Зөвхөн цэвэр демо мөрүүд дээр биш, харин бодит скриптүүд дээр туршиж үзээрэй 🧪

"Сайн байна уу, сувагт тавтай морил" гэх мэт төгс жижиг тест хэллэгээр загвараа дүгнэх хэрэггүй. Энэ бол туршилтын өгөөш юм.

Мөн бүдүүлэг, бодитой зохиолуудыг ашиглаарай:

• Урт догол мөрүүд

• Бүтээгдэхүүний нэрс

• Тоонууд ба тэмдэгтүүд

• Асуултууд

• Хурдан шилжилтүүд

• Сэтгэл хөдлөлийн өөрчлөлтүүд

• Эвгүй цэг таслал

• Харилцан ярианы хэсгүүд

Сайн стресс тестийн жишээнд дараахь зүйлс орно

• Хичээлийн танилцуулга

• Харилцагчийн дэмжлэгийн тайлбар

• Өгүүллийн догол мөр

• Жагсаалт ихтэй скрипт

• Брэндийн нэр болон товчлол бүхий мөр

• Дунд нь өнгө аяс нь өөрчлөгддөг өгүүлбэр

Энэ яагаад чухал вэ? Учир нь өнгөлсөн демо шугамууд нь сул загваруудыг илүүд үздэг. Бодит контент нь тэдгээрийг илчилдэг. Энэ нь машиныг аажмаар зам дагуу өнхрүүлэн туршиж байгаатай адил юм - техникийн хувьд хөдөлгөөнтэй болохоос яг баттай нотолгоо биш.

8-р алхам - Дуу хоолойн загваруудыг хуурамч сонсогдуулдаг алдаанаас зайлсхий 🚫

Зарим алдаа дахин дахин гарч ирдэг.

Нийтлэг асуудлууд

• Шуугиантай эсвэл цуурайтай бичлэг ашиглаж байна

• Олон микрофоныг хослуулах

• Муу бичлэгтэй сургалт

• Маш өөр ярианы хэв маягийг нэг мэдээллийн санд оруулах

• Жижиг өгөгдлийн багцууд дээд зэргийн сонсогдоно гэж найдаж байна

• Аудиог хэт цэвэрлэх

• Дуудлагын ирмэгийн тохиолдлуудыг үл тоомсорлож байна

• Сайжруулалт бүрийн дараа үнэлгээг алгасах

Бас нэг том алдаа

Тодорхой хэрэглээний хил хязгааргүйгээр загварыг сургах.

Та дараахийг тодорхойлох хэрэгтэй:

• Хэн дуу хоолойг ашиглаж болох вэ

• Хаана байршуулж болох вэ

• Ил тод байдал шаардлагатай эсэх

• Ямар төрлийн контентыг хориглодог вэ

• Зөвшөөрлийг хэрхэн баримтжуулсан бэ

Энэ нь уйтгартай сонсогдож магадгүй, магадгүй бүр бага зэрэг корпорацийн шинжтэй байж магадгүй. Гэхдээ энэ нь чухал. Дуу хоолой бол хувийн асуудал. Үнэндээ маш хувийн асуудал. Тиймээс үүнийг ингэж л харьц.

Хэзээ ч заавал биелүүлэх ёсгүй ёс зүйн болон практик дүрмүүд 🛡️

Энэ нь өөрийн гэсэн хэсэгтэй байх ёстой, учир нь хэт олон хүн үүнийг төгсгөлд нь зүүлт шиг нуудаг.

Дуут загвар бүтээх үед:

• Илтгэгчээс тодорхой зөвшөөрөл авах

• Бичгээр өгсөн зөвшөөрлийн бүртгэлийг хадгалах

• Зөвшөөрөлгүйгээр жинхэнэ хүмүүсийг дуурайж болохгүй

• Тохиромжтой үед синтетик контентыг шошголох

• Түүхий дуут өгөгдлийг хамгаалах

• Сургалтанд хамрагдсан загваруудад хандах эрхийг хязгаарлах

• Нийтлэхээс өмнө үр дүнг хянана уу

Мөн итгэлцлийн асуудал өргөн хүрээтэй байна. Үзэгчид улам хурц болж байна. Тэд яагаад гэдгийг нь тайлбарлаж чадахгүй байсан ч дуу чимээ "тааламжгүй" санагдаж байгааг ихэвчлэн мэдэрч чаддаг. Тиймээс ил тод байдал нь зөвхөн ёс зүйтэй төдийгүй практик юм. Итгэлцлийг сэргээхээс илүү хадгалах нь илүү хялбар байдаг.

Хиймэл оюун ухааны дуу хоолойн загварыг хэрхэн сургах талаарх эцсийн бодол 🎯

Тэгэхээр, хиймэл оюун ухааны дуу хоолойн загварыг хэрхэн сургах вэ? Та зөвшөөрөл, цэвэр бичлэг, үнэн зөв хуулбараас эхэлнэ. Дараа нь та өгөгдлийн санг сайтар бэлтгэж, зөв ​​сургалтын замыг сонгож, болгоомжтой үнэлж, дуу хоолой нь амьд скриптэд тогтвортой, байгалийн сонсогдох хүртэл нарийн тохируулна.

Энэ бол жинхэнэ хариулт нь.

Магадгүй дур булаам биш байх. Гэхдээ үнэн.

Маш сайн үр дүнд хүрсэн хүмүүс ихэвчлэн бусдаас хэд хэдэн зүйлийг илүү сайн хийдэг:

• Тэд өгөгдлийг хүндэтгэдэг

• Тэд бичвэрийг цэвэрлэхэд яардаггүй

• Тэд барзгар, бодитой зохиолууд дээр шалгалт өгдөг

• Тэд эхний "хангалттай сайн" үр дүнгийн дараа давталт хийсээр байна

• Тэд итгэмээр яриа бол техникийн үйл явц, аудио ур чадвар, тэвчээр... бас бага зэрэг зөрүүд зан гэдгийг ойлгодог 😄

Хэрэв таны зорилго бол хүнлэг, итгэл даахуйц, практик сонсогдох дуу хоолой бол товчлолд бага анхаарлаа төвлөрүүл, харин гинжин хэлхээнд илүү анхаарлаа хандуул: сайн бичлэг хий, сайн цэвэрлэ, сайн тохируул, анхааралтай бэлтгэл хий, шүүмжлэлтэйгээр сонс, санаатайгаар сайжруул. Энэ бол зам.

Тийм ээ, энэ нь код ашиглан цэцэрлэгжүүлэлт хийхтэй жаахан төстэй юм. Төгс зүйрлэл биш гэдгийг би мэдэж байна. Гэхдээ та зөв материалыг тарьж, тогтвортой арчилж тордвол хэсэг хугацааны дараа гайхалтай бодитой зүйл хариу үйлдэл үзүүлж эхэлдэг.

Бодит амьдралын жишээ: Зөвшөөрөлд суурилсан хүүрнэлийн дуу хоолойн загварыг бүтээх 🎙️

Хувилбар

Долоо хоног бүр гурван тайлбар видео нийтэлдэг жижиг боловсролын YouTube суваг гэж төсөөлөөд үз дээ. Хөтлөгч нь бүх хүүрнэлийг гараар бичдэг боловч дахин бичих, засварлах, сонсох нь бүхэл бүтэн хуваарийг удаашруулж эхэлж байна.

Зорилго нь хөтлөгчийн дуу хоолойг зөвшөөрөлгүйгээр солих биш юм. Хөтлөгч нь сувгийг эзэмшиж, бичгээр зөвшөөрсөн тэмдэглэлд гарын үсэг зурж, сургалтад зориулж цэвэр өгөгдлийн багцыг бүртгэдэг. Сургагдсан дуу хоолойг зөвхөн эхний дамжуулалтын өгүүллэгийн ноорог, скриптийн бага зэргийн өөрчлөлт, хөтлөгч байхгүй үед богино залруулга хийхэд ашигладаг.

Энэ бол бодит хэрэглээний тохиолдол юм, учир нь дуут загвар нь өөр хэн нэгэн шиг дүр эсгэхийн оронд бүтээгчийн өөрийн ажлын урсгалыг дэмждэг.

Туслахад юу хэрэгтэй вэ

Энэ тохиргоонд зориулж бүтээгч дараахь зүйлийг бэлтгэдэг

• Нэг микрофоноор 90 минутын цэвэрхэн яриа бичигдсэн

• Клип бүрийн яг тодорхой хуулбарууд

• Брэндийн нэр, товчлол болон нийтлэг сэдэвчилсэн үгсийн энгийн дуудлагын жагсаалт

• Дуу хоолойг хаана ашиглаж болохыг заасан зөвшөөрлийн баримт бичиг

• Хичээлүүд, жагсаалт ихтэй хэсгүүд, асуултууд болон эвгүй цэг таслалуудыг багтаасан тестийн скриптүүдийн хавтас

• Аудио чанар, дуудлага, өнгө аяс болон тодруулгын хяналтын жагсаалт

Гол дүрэм нь энгийн: бичлэг болон аудиог сайтар цэвэр болтол сургалтаа эхлүүлж болохгүй. Энгийн, тогтвортой материал энд сайн. Энгийн, тогтвортой материал сайн сургадаг.

Жишээ заавар

Тайван, эелдэг боловсролын өгүүллэг зохиохын тулд зөвшөөрөгдсөн хөтлөгчийн дуу хоолойг ашиглаарай. Хурдыг байгалийн байлгаж, хэтрүүлсэн сэтгэл хөдлөлөөс зайлсхийж, техникийн нэр томьёог тодорхой дууд. Хэрэв зохиолд тоо, огноо, товчлол эсвэл бүтээгдэхүүний нэр орсон бол тэдгээрийг яг бичигдсэн байдлаар нь хадгална уу. Улс төрийн дэмжлэг, эмнэлгийн зөвлөгөө, санхүүгийн амлалт эсвэл өөр хүний ​​​​дүр төрхийг дуурайлган үг хэлж болохгүй. Аудиог экспортлохоос өмнө хүний ​​​​хяналт шаардлагатай мөрийг тэмдэглэнэ үү.

Үүнийг хэрхэн шалгах вэ

Бүрэн хэмжээний продакшны оронд таван богино скриптээр эхэл.

Тестийн скрипт 1: Нэг асуулт, нэг үйлдэлд уриалсан 30 секундын сувгийн танилцуулга.

Тестийн скрипт 2: Дугаарлагдсан алхмуудтай хоёр минутын хичээлийн хэсэг.

Тестийн скрипт 3: Эвгүй цэг таслал, хаалт, зураас, өгүүлбэрийн дундуур өнгө аяс өөрчлөгдсөн догол мөр.

Тестийн скрипт 4: Нэр, товчлол, үнэ, огноог агуулсан жагсаалт ихтэй скрипт.

Тестийн скрипт 5: Аль хэдийн нийтлэгдсэн видеоны өнгө аястай тохирч байх шаардлагатай залруулгын мөр.

Аудио үүсгэсний дараа үр дүн бүрийг шалгах хуудастай харьцуулна уу:

• Хоолой нь зөвшөөрөгдсөн илтгэгчийнх шиг сонсогдож байсан уу?

• Бүх нэр, тоо зөв дуудагдсан уу?

• Хэмнэл нь байгалийн мэт санагдаж байсан уу?

• Давтагдсан үе, металл авиа, эсвэл залгисан үгс байсан уу?

• Хөтлөгч үүнийг дахин бичихгүйгээр зөвшөөрөх үү?

• Эцсийн видеонд синтетик дуу хоолойг тодруулах шаардлагатай юу?

Үр дүн

Жишээ үр дүн: Энэхүү ажлын урсгалыг ашиглахаас өмнө болон дараа таван жишээ өгүүлэмжийн даалгаврын хугацааг тооцоолоход үндэслэн бүтээгч нь эхний дамжуулалтын дуут дамжуулалтын үйлдвэрлэлийг 600 үгтэй скрипт тутамд 40 минутаас 12 минут орчим болгон бууруулж чадна.

Хэмжилтийн үндэс: скриптийг нээхээс эхлээд хянаж үзэхэд бэлэн өгүүлбэрийн файлыг экспортлох хүртэлх бүх үйл явцыг цаг хугацаагаар хэмжинэ.

Таван скрипттэй ижил тестэд бүтээгч дараах зүйлсийг хянаж болно:

• 5 скрипт үүсгэсэн

• Хөнгөн засвар хийсний дараа 3-ыг хүлээн авсан

• 2-г дуудлагын засвар хийлгэхээр буцааж илгээсэн

• Нийт 11 дуудлагатай холбоотой асуудал илэрлээ

• Хүний хяналтгүйгээр нийтлэгдсэн 0 клип

• Гаралтын 100% нь зөвшөөрөл болон хэрэглээний дүрмүүдтэй тохирч байгааг шалгасан

Эдгээр тоонууд нь дуу хоолойн загвар бүр ижил аргаар ажиллах болно гэсэн нотолгоо биш юм. Эдгээр нь чухал практик хэмжүүрийг харуулж байна: хэмнэсэн цаг, давталтын түвшин, дуудлагын алдаа, засаглалын үйл явцыг дагаж мөрдсөн эсэх.

Юу буруу болж болох вэ

Хамгийн түгээмэл алдаа бол загварыг хэтэрхий эрт ашиглах явдал юм. Хэрэв эхний гаралт "бараг зөв" сонсогдож байвал хурдан нийтлэхийг хүсч болно. Энэ нь эрсдэлтэй. Дуу нь дууссан видеоны дотор орсны дараа хэмнэл, онцлолт эсвэл дуудлага дахь жижиг алдаанууд илүү тодорхой болдог.

Бусад асуудлуудад дараахь зүйлс орно:

• Хуучин бичлэгүүдийг өөр микрофоноор сурч байна

• Ядарсан зүйлсийг эрч хүчтэй зүйлстэй хослуулах

• Автоматаар бичсэн хуулбарыг хянаж үзэхгүйгээр нэвтрүүлэх

• Тоо, нэр, товчлолыг шалгахаа мартсан

• Дуут загварт хэт олон хүнд хандах эрх олгох

• Дуу хоолойг контентод ашиглахыг илтгэгч хэзээ ч зөвшөөрөөгүй

• Ажлын урсгалыг зөв цаглахгүйгээр гүйцэтгэлийн өсөлтийг бий болгох

Практик хоол

Хүчтэй хиймэл оюун ухааны дуу хоолойн загвар нь зүгээр нэг ухаалаг аудио заль мэх биш юм. Энэ бол хяналттай үйлдвэрлэлийн хөрөнгө юм. Үүнийг яг л тийм гэж үз: зөвшөөрөл авах, цэвэр өгөгдлийг бичих, амьд үйлдвэрлэлийн скриптүүдээр турших, алдааны түвшинг хэмжих, ямар нэгэн зүйл олон нийтэд ил болохоос өмнө хүний ​​хянагчийг мэдээлэлтэй байлгах.

Түгээмэл асуултууд

Хиймэл оюун ухааны дуу хоолойн загварыг эхнээс нь дуустал нь хэрхэн сургах вэ?

Хиймэл оюун ухааны дуу хоолойн загварыг сургах нь ихэвчлэн зөвшөөрөл, цэвэр бичлэг, үнэн зөв хуулбараас эхэлдэг. Тэндээс ажлын урсгал нь урьдчилсан боловсруулалт, сегментчилэл, загварын сургалт, үнэлгээ, нарийн тохируулга хийх замаар дамждаг. Нийтлэлд сургалт нь урт хугацааны үйл явцын зөвхөн нэг хэсэг бөгөөд ганц хэрэгсэл эсвэл товчлолд найдахын оронд үе шат бүрийг сайн зохицуулснаар хүчтэй үр дүнд хүрдэг болохыг тодорхой заасан.

Сайн хиймэл оюун ухааны дуу хоолойн загварыг сургахад хэр их аудио шаардлагатай вэ?

Илүү их аудио тусалж болох ч чанар нь түүхий үргэлжлэх хугацаанаас илүү чухал юм. Гарын авлагад нэг цагийн цэвэр, тогтвортой яриа нь олон цагийн шуугиантай эсвэл жигд бус бичлэгээс илүү үр дүнтэй байж болохыг тэмдэглэжээ. Хүчтэй өгөгдлийн багц нь ихэвчлэн янз бүрийн өгүүлбэрийн төрөл, тоо, нэр, асуулт, байгалийн хэмнэлийг агуулдаг тул загвар нь яригч өдөр тутмын текстийг хэрхэн зохицуулж байгааг сурдаг.

Дуу хоолойн загварын сургалтанд ямар төрлийн бичлэг хамгийн сайн тохирдог вэ?

Хамгийн сайн бичлэгүүд нь цэвэрхэн, тогтвортой бөгөөд бүх өгөгдлийн багцад ижил тохиргоонд бичигдсэн байдаг. Энэ нь цуурай, шуугиан, гарын чимээ, хүнд боловсруулалтаас зайлсхийхийн зэрэгцээ ижил микрофон, ижил өрөө, тогтвортой ярих зайг ашиглах гэсэн үг юм. Байгалийн хүргэлт бас чухал, учир нь загвар нь чанга яригчийн хэмнэл, өнгө аяс, эрч хүчийг шингээх болно.

Дуу хоолойн загварыг сургахад яагаад транскриптүүд тийм чухал вэ?

Хуулбар нь чухал ач холбогдолтой, учир нь загвар нь ярианы аудио болон бичгийн текстийн хослолоос суралцдаг. Хэрэв хуулга нь хэлсэн зүйлтэй тохирохгүй бол загвар нь сул дуудлагын хэв маяг, буруу байрлуулсан онцлох үгс эсвэл алгассан үгсийг шингээж авах боломжтой. Мөн нийтлэлд сургалт эхлэхээс өмнө тоо, товчлол, нөхөгч үгс болон цэг таслалыг баримтлахыг онцолсон.

Сургалтын өмнө аудиог хэрхэн цэвэрлэж, сегментчилэх вэ?

Аудиог богино, төвлөрсөн клип болгон хувааж, клип бүрт нэг тохирох хуулбар хийх хэрэгтэй. Нийтлэг бэлтгэл ажилд чимээгүй байдлыг багасгах, чанга байдлыг хэвийн болгох, чимээ шуугианыг багасгах, гажуудсан хэллэг эсвэл давхцсан яриаг арилгах зэрэг орно. Мөн гарын авлагад хэт цэвэрлэхээс болгоомжлохыг анхааруулсан, учир нь амьсгал бүрийг болон бүтцийн хэсгийг арилгах нь эцсийн дуу хоолойг ариутгасан, байгалийн бус сонсогдож болзошгүй юм.

Хэрэв та мэргэжилтэн биш бол хиймэл оюун ухааны дуу хоолойн загварыг сургах хамгийн сайн арга юу вэ?

Ихэнх хүмүүсийн хувьд урьдчилан бэлтгэгдсэн загварыг нарийн тохируулах нь хамгийн практик арга зам юм. Энэ нь эхнээс нь сургахаас илүү чанар, өгөгдлийн хэрэгцээ, техникийн хүчин чармайлтын илүү сайн тэнцвэрийг санал болгодог бөгөөд энгийн кодгүй платформоос илүү их хяналтыг өгдөг. Хостинг хийгдсэн хэрэгслүүдийг ашиглахад илүү хурдан боловч нарийн тохируулах нь илүү хүчтэй, илүү дасан зохицох боломжтой үр дүнг өгдөг дунд зэргийн сонголт байх хандлагатай байдаг.

Сургалтын үеэр таны хиймэл оюун ухааны дуу хоолойн загвар сайжирч байгаа эсэхийг та яаж мэдэх вэ?

Сайжруулалт нь ихэвчлэн жигд яриа, гажуудсан үгс багасах, түр зогсолт сайжирч, янз бүрийн даалгаврын үед илүү тогтвортой дуу хоолойгоор илэрдэг. Анхааруулах шинж тэмдгүүдэд металл өнгө аяс, давтагдсан үе, бүдэг гийгүүлэгч, жигд бус дуудлага, дээжүүдийн хооронд дуу хоолойны зөрүү орно. Үнэлгээ нь нэг удаагийн шалгалт биш, харин туршилт, давтан сургалтын тасралтгүй мөчлөгийн нэг хэсэг гэдгийг нийтлэлд онцолсон.

Хиймэл оюун ухааны дуу хоолойн загварыг хэрхэн илүү бодитой, илэрхийлэлтэй болгох вэ?

Үндсэн загвар ажиллаж эхэлмэгц дараагийн алхам бол үг хэллэг, сэтгэл хөдлөл, хэмнэл, ярианы хэв маягийг сайжруулах явдал юм. Бодит дуу хоолой нь илтгэгчийн ижил төстэй байдлаас илүү ихийг шаарддаг, учир нь энэ нь хичээл, хүүрнэл, сурталчилгааны мөр, урт хэсгүүдийг хатуу эсвэл тогтворгүй сонсогдохгүйгээр зохицуулах ёстой. Нарийн тохируулга нь дуудлагыг давж гарахад тусалдаг бөгөөд загвар нь илүү урт, илүү төвөгтэй өгүүлбэрүүдийг хэрхэн зохицуулж байгааг сайжруулдаг.

Хиймэл оюун ухааны дуут загварыг үйлдвэрлэлд ашиглахаасаа өмнө юуг туршиж үзэх ёстой вэ?

Бараг ямар ч загварыг зохистой сонсогдуулж байгаа богино демо мөрүүдэд л найдаж болохгүй. Гарын авлагад урт догол мөр, эвгүй цэг таслал, бүтээгдэхүүний нэр, товчлол, тоо, асуулт, сэтгэл хөдлөлийн өөрчлөлтөөр туршиж үзэхийг зөвлөж байна. Бүрэн хувилбарууд нь сул талуудыг илүү хурдан илчилдэг, ялангуяа загвар нь өнгө аясын өөрчлөлт, нарийн төвөгтэй хэллэг эсвэл жагсаалтаар дүүрэн контентыг зохицуулах шаардлагатай үед.

Хиймэл оюун ухааны дуу хоолойн загварыг сургахдаа ямар ёс зүйн дүрмийг баримтлах ёстой вэ?

Энэ зүйлд зөвшөөрлийг хэлэлцээр хийх боломжгүй гэж үзсэн. Та зөвхөн өөрийн эзэмшдэг эсвэл ашиглах тодорхой зөвшөөрөлтэй дуу хоолойгоор сургах, бичгээр тэмдэглэл хөтлөх, түүхий дуу хоолойн өгөгдлийг хамгаалах, сургагдсан загварт хандах эрхийг хязгаарлах, хэрэглээний хил хязгаарыг тодорхой тодорхойлох ёстой. Мөн тохиромжтой үед синтетик аудиог шошголох, зөвшөөрөлгүйгээр жинхэнэ хүмүүсийг дуурайхаас зайлсхийхийг зөвлөж байна.

Лавлагаа

1. Microsoft Learn - тодорхой зөвшөөрөл - learn.microsoft.com

2. ElevenLabs Тусламжийн Төв - таны дуу хоолой - help.elevenlabs.io

3. NVIDIA NeMo Хүрээлэнгийн Баримтжуулалт - Урьдчилан боловсруулалт - docs.nvidia.com

4. Монреалийн Албадан Тэгшлүүлэгчийн Баримтжуулалт - Текстийн тэгшлэлтийн нарийвчлал - montreal-forced-aligner.readthedocs.io

5. АНУ-ын Холбооны Худалдааны Комисс - Зөвшөөрөлгүйгээр жинхэнэ хүмүүсийг дуурайж болохгүй - ftc.gov

6. Үндэсний Стандарт ба Технологийн Хүрээлэн - Тохиромжтой үед синтетик контентыг шошголох - nist.gov

Албан ёсны хиймэл оюун ухааны туслах дэлгүүрээс хамгийн сүүлийн үеийн хиймэл оюун ухааныг олоорой

Бидний тухай