Článek
Když AI mluví a mění tón hlasu, nejsou v tom skutečné city, ale pokročilá akustická matematika. Na začátku se AI neučí slova, ale zvuky. Inženýři nahrají profesionální herce, kteří čtou tisíce hodin textů s různým citovým zabarvením (od šepotu po vztek).
Počítač tyto nahrávky nerozdělí na písmena, ale převede je na takzvané spektrogramy – což jsou vizuální mapy zvukových frekvencí, hlasitosti a času. AI pak studuje, jak se fyzikálně mění lidský hlas, když člověk prožívá různé emoce:
- Smutek: Frekvence hlasu klesá, tempo se zpomaluje, pauzy mezi slovy se prodlužují a tón je „plošší“.
- Nadšení: Frekvence (výška hlasu) divoce skáče nahoru a dolů, tempo se zrychluje a roste intenzita (hlasitost).
Když tedy AI položíte otázku, ta vygeneruje textovou odpověď, která projde nejprve analýzou kontextu. Speciální neuronová síť (akustický model) se podívá na text a řekne: „Aha, tady je slovo ‚bohužel‘, věta končí otazníkem a celkový podtext je omluvný.“
Tento model pak matematicky předpoví, jak by měl vypadat výsledný zvukový spektrogram. Doslova vypočítá, jaké frekvence a délky hlásek lidé v takovém kontextu statisticky nejčastěji používají.
Posledním krokem je vocoder (neuronový syntezátor zvuku). Ten vezme vypočítaný matematický model spektrogramu a přemění ho na skutečné zvukové vlny, které slyšíte z reproduktoru. Moderní vocodery jsou tak dokonalé, že už negenerují jen samotná slova, ale dokáží do audio stopy přimíchat i mikroskopické detaily, které dělají lidský hlas lidským:
- Mikropauzy na nadechnutí (podle délky věty).
- Polykaní a chvění hlasivek (podle míry „stresu“ v textu).
- Melodii vět (intonaci), aby konec věty přirozeně klesl nebo stoupl.
Když dnes slyšíte pokročilé hlasové asistenty, tito boti emoce nezažívají. Pouze v reálném čase počítají, kolik milisekund má trvat nádech a o kolik hertzů se má zvýšit tón hlasu, aby to na lidské ucho působilo naprosto přirozeně. Zatímco u psaného textu AI simuluje lidskou stylistiku, u hlasu simuluje lidskou biologii a akustiku. Obojí je ale stále ta stejná, neuvěřitelně rychlá statistická hra s pravděpodobností.
Může vás zajímat:
Zdroje:
https://www.capcut.com/cs-cz/resource/ai-voice-generator-with-emotion
