Eleven auf der INTERSPEECH 2022

Wie es war

Wir sind gerade von der diesjährigen INTERSPEECH-Konferenz zurückgekehrt. Sie war unsere bisher beste Gelegenheit, alle Entwicklungen der letzten Monate vorzustellen und Feedback dazu zu erhalten.

Es war großartig, von den Besten der Branche zu lernen, Ideen mit ihnen auszutauschen und dabei zukünftige Beziehungen aufzubauen. Wir trafen Teams fantastischer Start-ups, die in denselben Bereichen wie wir arbeiten – insbesondere beim KI-Stimme klonen, bei Sprachsynthese (TTS) und Stimmkonvertierung (VC), darunter Supertone und LOVO. Ebenso spannend war der Austausch mit etablierten Unternehmen wie Meta und Google über die Arbeit hinter den Kulissen bei der Entwicklung von TTS- und VC-Software.

Wir gingen direkt zur Sache. Die große und ehrliche Begeisterung für unsere Arbeit hat uns sehr gefreut – sie übertraf alle unsere Erwartungen. In den folgenden vier Tagen sprachen wir über unsere Forschung und Fortschritte in den drei genannten Bereichen der Sprachtechnologie – die entscheidenden ersten Schritte auf dem Weg zu unserem proprietären Tool für automatische Synchronisation, dessen Version 1.0 wir Anfang nächsten Jahres veröffentlichen wollen.

Für uns war vor allem wichtig zu beweisen, dass wir Stimmen originalgetreu klonen können – dass wir die Ähnlichkeit zwischen den Sprachdaten, mit denen wir unseren Algorithmus trainieren, und dem Klang derselben synthetisch erzeugten Stimme bewahren. Zweitens war es entscheidend zu zeigen, dass unsere TTS-Tools auf dem Weg sind, Teil der menschlichsten und natürlichsten Plattform für synthetische Sprache zu werden – mit erstklassiger Prosodie und Tonalität.

Ersteres ist wichtig, weil neu erzeugte Äußerungen eindeutig als von einer bestimmten Person gesprochen erkennbar sein müssen – wir müssen die Sprecheridentität korrekt bewahren. Prosodie und Tonalität sind wichtig, weil Tonfall und Sprechtempo Absichten vermitteln und Sprache erst menschlich klingen lassen. Das Ziel ist, dass das Programm Wörter nicht nur flüssig ausspricht, sondern die Äußerung auch mit der passenden emotionalen Färbung versieht, sodass es klingt, als verstünde es was es sagt.

TTS-Demo

Unten sehen Sie eine TTS-Demo, die wir während der Konferenz eingesetzt haben. Der erste Link führt zum Originalvideo, danach folgt unser Beispiel mit derselben Botschaft in einer anderen Stimme. Wohlgemerkt: Das ist Text-to-Speech – keine Stimmkonvertierung. Unsere einzige Eingabe war die Verschriftlichung der Worte aus dem Originalvideo, um die Sprache zu erzeugen, die Sie hören. Prosodie und Intonation stammen vollständig vom Algorithmus selbst, ohne Nachbearbeitung. Erkennen Sie, wessen Stimme es ist?

Mehr über die Eleven-TTS-Technologie erfahren Sie in unserem nächsten Beitrag, der sich speziell mit der Sprachgenerierung aus Texteingaben befasst.

Wenn Ihnen unsere Technologie gefällt und Sie Beta-Tester werden möchten, können Sie sich hier anmelden.

Original:

Eleven Labs KI-Stimme klonen TTS:

Inhalt vor Form

In den Monaten vor der Konferenz konzentrierten sich unsere Bemühungen fast ausschließlich darauf, anschauliche Beispiele unserer Technologie zu liefern und unsere proprietäre Forschung zu präsentieren. Schließlich ist INTERSPEECH eine Forschungskonferenz, und wir waren überzeugt, dass gerade bei einer so fachlich ausgerichteten Veranstaltung der Inhalt vor der Form stehen muss. Am Konferenztag scherzten wir allerdings, dass unser starker Fokus auf Technologie unsere Branding-Maßnahmen vielleicht zu minimalistisch wirken ließ. Umso erleichterter – wenn nicht sogar bestätigt – waren wir, als wir sahen, dass auch andere, einschließlich der großen Akteure, auf bescheidenere Auftritte setzten.

Bis nächstes Jahr

Unsere Korea-Reise war ein großer Erfolg für Eleven und eine starke Motivation, noch mehr voranzutreiben. Wir freuen uns schon darauf, welche Fortschritte wir im nächsten Jahr in unserer Forschung und ihrer Präsentation machen können. Hoffentlich sind bis dahin unsere produktionsreifen Synchronisations-Tools bereit, und wir nutzen die Stimmen von Menschen, damit sie Sprachen sprechen können, die sie nicht beherrschen.