فراتر از متن و تصویر؛ مدل هوش مصنوعی AudioX مرزهای تولید صدا را جابه‌جا می‌کند

پژوهشگران حوزه‌ی هوش مصنوعی چارچوب چندوجهی جدیدی را برای تولید صدا و موسیقی از متن، ویدیو و فایل‌های صوتی معرفی کردند.

محققان هوش مصنوعی چارچوب یکپارچه‌ی نوینی به نام AudioX توسعه داده‌اند که توانایی تولید صدا و موسیقی را از ورودی‌های گوناگون نظیر متن، ویدیو و سیگنال‌های صوتی در یک سامانه‌ی واحد فراهم می‌کند.

توسعه‌دهندگان در این پروژه ماژول جدیدی با عنوان ادغام تطبیقی چندوجهی یا MAF طراحی کرده‌اند تا ترکیب ورودی‌های نامتجانس را بهبود بخشند و هماهنگی میان‌وجهی دقیق‌تری ایجاد کنند. پژوهشگران برای آموزش این مدل، دیتاست‌های جامعی متشکل از بیش از ۷ میلیون نمونه موسوم به IF-caps گردآوری و منتشر کرده‌اند.

پروژه‌ی مذکور در پلتفرم هاگینگ فیس در قالب سه نسخه‌ی مجزا شامل مدل پایه‌ی AudioX، نسخه‌ی مجهز به ماژول تلفیق AudioX-MAF و نسخه‌ی پیشرفته‌تر AudioX-MAF-MMDiT منتشر شده است. ارزیابی‌های اولیه از عملکرد قدرتمند این ساختار در وظایف متن به صدا، متن به موسیقی و همچنین پیروی از دستورهای پیچیده حکایت دارد.

دسترسی به کدهای منبع، وزن‌های مدل و دموی تعاملی برای پژوهشگران مهیا است. اجرای آفلاین این مدل به محیط پایتون نسخه‌ی ۳٫۸ و بالاتر به‌همراه ابزارهایی نظیر FFmpeg و کارت گرافیک سازگار با محاسبات هوش مصنوعی نیاز دارد.