Eleven na INTERSPEECH 2022

Como foi

Acabamos de voltar da conferência INTERSPEECH deste ano, que foi a melhor oportunidade que tivemos até agora para apresentar e receber feedback sobre todos os avanços em que trabalhamos nos últimos meses.

Foi ótimo aprender e trocar ideias com os melhores da área, além de criar novas relações nesse processo. Conhecemos equipes de startups incríveis que trabalham no mesmo campo que nós, especialmente com clonagem de voz, síntese de fala (TTS) e conversão de voz (VC) — como Supertone e LOVO, para citar apenas duas. Também ficamos muito animados em conversar com algumas das empresas mais consolidadas do setor, como Meta e Google, sobre o trabalho nos bastidores do desenvolvimento de softwares de TTS e VC.

Fomos direto ao ponto. A quantidade de entusiasmo genuíno pelo nosso trabalho não poderia ter nos deixado mais felizes — tudo superou as nossas expectativas. Nos quatro dias seguintes, discutimos nossa pesquisa e nosso progresso nas três áreas de tecnologia de fala mencionadas acima — os primeiros passos absolutamente cruciais rumo ao desenvolvimento da nossa ferramenta proprietária de dublagem automática, cuja versão 1.0 planejamos lançar no início do próximo ano.

O mais importante para nós era provar que conseguimos clonar vozes com fidelidade — que somos capazes de preservar a semelhança entre os dados de voz de origem usados para treinar nosso algoritmo e o som da mesma voz quando ela é gerada sinteticamente. Em segundo lugar, era fundamental comprovar que nossas ferramentas de TTS estão no caminho para integrar a plataforma de fala sintética mais humana e natural do mercado, oferecendo prosódia e tonalidade incomparáveis.

O primeiro ponto é naturalmente importante, pois precisamos que as novas falas geradas sejam facilmente reconhecidas como sendo de uma pessoa específica — precisamos preservar corretamente a identidade do falante. A prosódia e a tonalidade são importantes porque o tom e o ritmo transmitem intenção, e é isso que faz a fala soar humana. O grande objetivo é que o programa não apenas pronuncie as palavras com fluidez, mas também dê à fala a carga emocional adequada, para que pareça entender o que está dizendo.

Demonstração de TTS

Você pode conferir abaixo uma demonstração de TTS que usamos durante a conferência. O primeiro link é o vídeo original, seguido da nossa amostra com a mesma mensagem falada em uma voz diferente. Vale lembrar: isto é Text to Speech — não conversão de voz. Nossa única entrada foi transcrever as palavras faladas no vídeo original para gerar a fala que você ouve. Toda a prosódia e entonação vêm do próprio algoritmo, sem nenhum pós-processamento. Veja se você reconhece de quem é a voz!

Você vai saber mais sobre a tecnologia Eleven TTS em nosso próximo artigo, dedicado especificamente à geração de fala a partir de texto.

Se você gosta da nossa tecnologia e quer se tornar nosso beta tester, pode se inscrever clicando aqui.

Original:

TTS de clonagem de voz da Eleven Labs:

Conteúdo acima da forma

Nos meses que antecederam a conferência, nossos esforços se concentraram quase exclusivamente em apresentar exemplos demonstráveis da nossa tecnologia e mostrar nossa pesquisa proprietária. Afinal, a INTERSPEECH é uma conferência de pesquisa, e estávamos convictos de que o conteúdo deveria vir antes da forma, especialmente em um encontro tão voltado a isso. Porém, quando chegou o dia da conferência, começamos a brincar que nosso foco intenso na tecnologia talvez tivesse deixado nossos esforços de branding minimalistas demais. Logo ficamos bastante aliviados — se não até validados! — ao ver que outros, inclusive os grandes nomes, também optaram por estruturas mais modestas.

Até o ano que vem

Nossa viagem à Coreia foi um grande sucesso para a Eleven e uma grande dose de motivação para continuarmos avançando. Já estamos animados só de pensar no progresso que podemos fazer no próximo ano, tanto em nossa pesquisa quanto nas formas de apresentá-la. Esperamos que, até lá, nossas ferramentas de dublagem com qualidade de produção estejam prontas e possamos usar as vozes das pessoas para deixá-las falar idiomas que elas não falam.