Microsoft Luncurkan VALL-E, AI yang Bisa Meniru Suara Siapapun!

Microsoft merilis artificial intelligence yang dapat meniru suara siapapun hanya dalam 3 detik.

AI ini bernama VALL-E atau Voice Aware Language-Learned Encoder-Decoder.

Dalam situs web demo VALL-E, terdapat berbagai contoh dari audio yang dihasilkan AI ini.

VALL-E dapat menghasilkan suara dari siapapun yang mengatakan apapun dengan mempelajari sampel suara mereka.

AI ini juga memiliki kemampuan untuk menghasilkan suara dengan meniru nada emosional pembicara.

Microsoft menyebut VALL-E sebagai “neural codec language model”. VALL-E dapat bekerja dengan berbasis pada EnCodec, sebuah teknologi kompresi audio yang diluncurkan perusahaan Meta pada Oktober 2022.

Teknologi ini memanfaatkan artificial intelligence untuk melakukan kompres audio dengan kualitas yang tinggi.

VALL-E memiliki kemampuan untuk menganalisis suara seseorang dan kemudian mengubah data tersebut menjadi komponen diskrit yang disebut “token”. 

Dengan teknologi VALL-E, Microsoft telah membuat terobosan dalam sistem text-to-speech. Saat ini sistem ini memerlukan data simulasi yang berkualitas tinggi, sangat jernih, dan perlu direkam di studio dengan peralatan yang profesional.

Namun, dengan VALL-E simulasi suara banyak orang dapat diproduksi hanya dengan sampel tiga detik, tanpa proses yang memakan waktu lama di studio rekaman.

VALL-E dilatih menggunakan data dari pustaka audio LibriLight yang memiliki 60 ribu jam data suara bicara dari lebih dari 7 ribu pembicara.

Data tersebut sebagian besar diambil dari LibriVox, audiobook yang berdomain publik.

Dengan LibriLight, VALL-E berhasil menghasilkan suara berbahasa Inggris yang terdengar nyata. 

VALL-E belum dapat menghasilkan simulasi suara yang sempurna, tetapi sampel dari VALL-E sulit dibedakan dari sampel pembicara yang asli karena terdengar sangat natural.

Karena inovasinya ini, pihak Microsoft juga memiliki kekhawatiran penyalahgunaan VALL-E oleh segelintir orang.

Pihak-pihak yang tidak bertanggung jawab berpotensi memanfaatkan VALL-E dengan tujuan negatif, misalnya memalsukan suara hingga meniru identitas seseorang.

Selain itu, VALL-E juga berpotensi dimanfaatkan dalam tindak kriminal lainnya, seperti phishing dan menyebarkan misinformasi.

Microsoft kemudian mengantisipasi kemungkinan ini dengan menyarankan pengembangan suatu model teknologi yang dapat mendeteksi suara asli seseorang dengan suara yang dihasilkan oleh VALL-E.