Generatywna AI: Terminy i Definicje

Podsumowanie:

• Wprowadzenie do generatywnej AI i jej gałęzi
• Ogólne terminy związane z generatywną AI
• Terminy związane z generatywną AI dla audio
• Terminy związane z generatywną AI dla wideo
• Inne specyficzne zastosowania
• Najczęściej zadawane pytania (FAQ)

Wprowadzenie do generatywnej AI

Ostatnio wydaje się, że wszyscy mówią o generatywnej AI. Duże modele językowe i tekst-do-obrazu, takie jak ChatGPT, Stable Diffusion czy Midjourney, wywołały sporo zamieszania w świecie technologii i nie tylko. Wielu uważa je za jedne z najważniejszych ostatnich osiągnięć w AI. Niezależnie od tego, czy się z tym zgadzasz, ogólne odczucie jest takie, że pojawiło się coś bardzo potężnego.

Ogólnie rzecz biorąc, generatywna AI odnosi się do klasy modeli uczenia maszynowego, które potrafią tworzyć nową treść, czy to tekst, obrazy, muzykę, czy głosy. Ten proces 'generatywny' polega na tym, że model uczy się z istniejących danych, a następnie wykorzystuje swoje zrozumienie do generowania nowej treści. Rodzaj treści, którą te modele mogą tworzyć, zależy od danych, na których były trenowane.

Podstawy tego wybuchu możliwości AI zostały położone, gdy 'deep learning' stał się popularny, a magiczna mieszanka ogromnych zbiorów danych i potężnych komputerów uruchamiających sieci neuronowe dramatycznie poprawiła zdolności komputerów do rozpoznawania obrazów, przetwarzania dźwięku i grania w gry. Tak bardzo, że pod koniec lat 2010 komputery mogły wykonywać wiele z tych zadań lepiej niż jakikolwiek człowiek.

W ElevenLabs skupiamy się głównie na aspekcie audio, ale generatywna AI poczyniła znaczące postępy w różnych dziedzinach:

• Tekst: Przykłady to Chat-GPT, Bard.
• Obraz: Znane technologie to Stable Diffusion, Midjourney, DALL-E.
• Głos: ElevenLabs

• Muzyka: MusicLM robi furorę, a wkrótce dołączy do niego ElevenLabs.
• Wideo: Gen1 to godna uwagi wzmianka.
• Kod: Codex to lider w generatywnym AI dla kodu.
• Chemia: AlphaFold wprowadza rewolucyjne zmiany w świecie struktur molekularnych.

Ogólne terminy AI

• Sztuczna inteligencja (AI): Symulacja ludzkiej inteligencji w maszynach, umożliwiająca im wykonywanie zadań, które zazwyczaj wymagają ludzkiej inteligencji, takich jak percepcja wzrokowa i podejmowanie decyzji.
• AI jako usługa (AIaaS): Oferowanie usług AI za pośrednictwem chmury, umożliwiając korzystanie z narzędzi AI bez kosztów infrastruktury.
• Stronniczość AI: Niepożądane i często szkodliwe uprzedzenia w wynikach AI z powodu stronniczości w danych, treningu lub algorytmach.
• Zarządzanie AI: Ramy zapewniające, że systemy AI działają w określonych granicach etycznych i technicznych.
• Prywatność danych: Zapewnienie, że dane osobowe udostępniane systemom AI pozostają poufne i nie są nadużywane.
• Deep learning: Podzbiór ML, który wykorzystuje sieci neuronowe z wieloma warstwami do analizy różnych czynników danych.
• AI dla przedsiębiorstw: Narzędzia i aplikacje AI specjalnie zaprojektowane i wdrożone do operacji biznesowych.
• Wyjaśnialność/interpretowalność: Stopień, w jakim działania i decyzje maszyny mogą być zrozumiane przez ludzi.
• Dostrajanie: Proces udoskonalania wstępnie wytrenowanego modelu na mniejszym, specyficznym zbiorze danych.
• Model: W uczeniu maszynowym model to wynik działania algorytmu uczenia maszynowego na danych.
• Uczenie maszynowe (ML): Metoda AI, w której algorytmy pozwalają komputerom uczyć się z danych i działać na ich podstawie.
• Sieci neuronowe: Systemy algorytmów, które starają się rozpoznawać wzorce w zbiorach danych.
• Uczenie nadzorowane: Rodzaj uczenia maszynowego, w którym model jest trenowany na oznaczonych danych.
• Trening: Proces, w którym algorytm uczenia maszynowego uczy się z danych
• Uczenie nienadzorowane: ML, w którym model szuka wzorców w zbiorze danych bez etykiet.
• Odporność: Zdolność systemu AI do dokładnego działania w warunkach przeciwnych lub zmieniających się.
• Token: Sekwencja znaków w przetwarzaniu tekstu, którą oprogramowanie traktuje jako pojedynczy byt.

Terminy związane z generatywną AI dla audio

• Synteza mowy: Odnosi się do sztucznej produkcji ludzkiej mowy. Zazwyczaj osiągana za pomocą algorytmów komputerowych, synteza mowy jest używana w różnych aplikacjach, od asystentów głosowych po czytniki ekranu. Synteza mowy jest często używana jako synonim dla Text to Speech, generowanie głosu, czytnik tekstu itp.
• Natychmiastowe klonowanie głosu: Zaawansowana funkcja oferowana przez ElevenLabs, pozwala na szybkie replikowanie głosu na podstawie małej próbki. Ten klon głosu może być następnie używany do generowania nowej mowy przy użyciu technologii syntezy mowy.
• Profesjonalne klonowanie głosu (PVC): Opracowane przez ElevenLabs, PVC wykracza poza natychmiastowe klonowanie głosu, tworząc szczegółową i doskonałą cyfrową replikę głosu osoby. Obejmuje proces zwany dostrajaniem, który często wymaga bardziej kompleksowego zestawu próbek głosu i treningu, aby osiągnąć najwyższą wierność.

• Voice Design: Funkcja tworzenia głosu opracowana przez ElevenLabs - Voice Design pozwala na generowanie nowych syntetycznych głosów na podstawie wybranych przez użytkownika parametrów, takich jak wiek, płeć i akcent. Te głosy są produkowane przy użyciu skomplikowanych algorytmów, które losowo próbkują cechy głosu i nie replikują prawdziwego głosu żadnej osoby. Głosy stworzone w ten sposób pozostają spójne w charakterystyce mowy we wszystkich językach obsługiwanych przez modele syntezy mowy Eleven Multilingual v1 i v2.
• VoiceLab: Własna platforma ElevenLabs, która ułatwia tworzenie i manipulację modelami głosu, zwłaszcza w dziedzinie klonowania głosu i Voice Design.
• Voice Library: Inicjatywa ElevenLabs, Voice Library to platforma, która pozwala użytkownikom dzielić się, odkrywać i współpracować, korzystając z ogromnej kolekcji głosów. Użytkownicy mogą zdobywać nagrody, gdy ich udostępnione głosy są używane przez innych.

• Eleven Multilingual v1: Początkowa wersja modelu wielojęzycznego ElevenLabs, oferująca użytkownikom możliwość generowania mowy w 8 językach przy użyciu jednego modelu głosu - angielski, polski, niemiecki, hiszpański, francuski, włoski, hindi i portugalski.
• Eleven Multilingual v2: Zaawansowana wersja oferty wielojęzycznej ElevenLabs, rozszerzająca funkcje i obsługiwane języki w modelu v1 o chiński, koreański, niderlandzki, turecki, szwedzki, indonezyjski, filipiński, japoński, ukraiński, grecki, czeski, fiński, rumuński, duński, bułgarski, malajski, słowacki, chorwacki, klasyczny arabski i tamilski.

• Osadzanie mówcy: Mechanizm używany do kodowania cech charakterystycznych konkretnego głosu. Osadzanie mówców działa jako nośnik tożsamości dla modelu głosu. Zapewniają wektorową reprezentację unikalnych cech głosu mówcy, zapewniając, że generowana mowa zachowuje unikalne atrybuty głosu.

Terminy związane z generatywną AI dla tekstu

• Chatbot: Program komputerowy zaprojektowany do symulacji rozmowy z człowiekiem.
• Generatywny transformator wstępnie wytrenowany (GPT): Rodzaj modelu językowego używanego w przetwarzaniu języka naturalnego.
• Halucynacja: Gdy model generuje informacje, które nie są obecne w jego danych treningowych.
• Modele językowe (LMs): Modele, które potrafią przewidzieć następne słowo w zdaniu.
• Duże modele językowe (LLMs): Wysoce zaawansowane i duże LMs zdolne do rozumienia i generowania tekstu podobnego do ludzkiego.
• Przetwarzanie języka naturalnego (NLP): Gałąź AI, która pomaga maszynom rozumieć i odpowiadać na język ludzki.
• Analiza sentymentu: Wykorzystanie przetwarzania języka naturalnego do określenia sentymentu lub nastroju wyrażonego w tekście.
• Modele transformatorowe: Rodzaj modelu deep learning, głównie używany w zadaniach NLP.
• Samozwrócenie: Mechanizm w modelach transformatorowych pozwalający im skupiać się na różnych częściach danych wejściowych.

Inne terminy AI

• Zautomatyzowane uczenie maszynowe (AutoML): Proces automatyzacji end-to-end procesu uczenia maszynowego.
• Augmentacja danych: Techniki zwiększające ilość danych treningowych przy użyciu informacji tylko z oryginalnego zestawu treningowego.
• Edge AI: Algorytmy AI przetwarzane lokalnie na urządzeniu sprzętowym.
• Uczenie przez wzmocnienie: Rodzaj uczenia maszynowego, w którym agenci uczą się poprzez interakcję z otoczeniem.
• Transformer: Architektura modelu, szczególnie w NLP, znana z mechanizmu samozwrócenia.

Podsumowanie

Świat rozwija się w szybkim tempie, podobnie jak krajobraz sztucznej inteligencji. Generatywna AI, będąca kamieniem węgielnym tej nowej fali technologii, oferuje ogromny potencjał w przekształcaniu sposobu, w jaki tworzymy, komunikujemy się i konsumujemy informacje. Od zawiłości syntezy mowy i projektowania głosu po złożoność dużych modeli językowych i transformatorów, generatywna AI przekształca branże i redefiniuje granice.

W ElevenLabs jesteśmy dumni, że jesteśmy na czele tego technologicznego przełomu, zwłaszcza w dziedzinie audio AI. Dzięki naszej ofercie, od Profesjonalnego klonowania głosu po rozbudowane modele Eleven Multilingual, staramy się wykorzystać moc generatywnej AI do praktycznych, przełomowych zastosowań.

Gotowy, by zacząć? Zarejestruj się w ElevenLabs już dziś.

FAQ