Microsofts neue Sprach-KI: Vall-E kann Stimmen und die Emotionen darin imitieren
Ein Forscherteam von Microsoft hat Berichten zufolge eine KI namens Vall-E entwickelt, die es nur mithilfe einer dreisekündigen Sprachaufnahme schaffen können soll, eine menschliche Stimme passgenau nachzuahmen. Dabei soll Vall-E auch die Emotionen in der Stimme einfangen können. Allerdings birgt solch eine KI auch viele Gefahren und Optionen zum Missbrauch.
Erst sorgte der Chatbot ChatGPT von OpenAI aufgrund seiner Fähigkeiten für Aufsehen, nun folgt die nächste nicht minder beeindruckende KI Vall-E. Dabei handelt es sich Berichten zufolge um einen Sprachbot, der von Forschern aus dem Hause Microsoft entwickelt wurde und sehr präzise darin sein soll, menschliche Stimmen zu imitieren. Vall-E ist zugegebenermaßen nicht die erste Sprach-KI, zu nennen wäre hier xVASynth, jedoch soll sie in dem, was sie zu leisten imstande ist, alle anderen übertreffen.
3 Sekunden reichen zum Nachahmen - Missbrauch scheint gesichert
Vall-E soll mit einem umfangreichen Datensatz von 60.000 Stunden englischer Sprache trainiert worden sein, die von mehr als 7.000 individuellen Sprechern wiedergegeben und von einer Spracherkennungssoftware transkribiert worden ist. Mit dieser geballten Menge an eingespeisten Daten soll es Vall-E gelingen, nach dem Studium einer drei-sekündigen Sprachaufnahme, die menschliche Stimme adäquat nachzuahmen und dabei sogar die darin enthaltenen Emotionen und die Stimmfarbe zu berücksichtigen. Dies soll die KI sogar dann zustande bringen, wenn die Aufnahme aus Wörtern besteht, die der ursprüngliche Sprecher nie ausgesprochen hat. Darin unterscheide sich Vall-E maßgeblich von anderen Sprachbots.
Auch interessant: KI-Bild-Generator DALL-E 2: Für alle kostenlos nutzbar
Wer sich selbst von den Leistungen der KI überzeugen möchte, kann sich einige Aufnahme-Beispiele bei Github anhören. Diese unterscheiden sich allerdings in ihrer Qualität. So klingen einige Aufnahmen sehr realistisch, während wiederum andere noch maschinell generiert und nach einer Sprachausgabe eines Roboters klingen. Bekanntermaßen lernt die KI aber über die Zeit. Dort finden sich auch noch weitere Details zur Funktionsweise von Vall-E, falls sich jemand für die technische Seite hinter der Sprach-KI interessiert.
Selbstverständlich lädt eine solche KI jedoch auch für Missbrauch ein, genauso wie die Bild-KI Dall-E und die Chat-KI ChatGPT. So könnte man den Sprachbot für kriminelle Machenschaften verwenden, etwa in betrügerischen Telefonaten oder um Deepfake-Videos mehr Glaubhaftigkeit zu verleihen. Möglicherweise ließe sich damit auch die Spracherkennung als Sicherheitsabfrage austricksen, insofern das System nicht erkennt, dass es sich um einen Sprachbot handelt und nicht um eine menschliche Stimme. Derzeit ist Vall-E aber noch nicht für die Allgemeinheit zugänglich und es bleibt zu hoffen, dass die Entwickler Maßnahmen treffen werden, um potenziellen Missbrauch zu verhindern.
Quelle: Microsoft via Windowscentral
