WaveNet launches in the Google Assistant
Zusammenfassung
Kurz
DeepMind berichtet, dass die beschleunigte WaveNet-Version nun Assistant-Stimmen für US-Englisch und Japanisch erzeugt. Laut Beitrag ist sie 1.000-mal schneller als das ursprüngliche Modell und erreicht in Hörtests für vier Stimmen höhere MOS-Werte als die verglichenen Systeme; Angaben zum Testaufbau fehlen, und die Audio-Beispiele sind im Text nicht hörbar.
Mittel
Der Bericht meldet, dass eine überarbeitete WaveNet-Version seit 2017 die Google-Assistant-Stimmen für US-Englisch und Japanisch auf allen Plattformen erzeugt. Das ursprüngliche Modell habe zu viel Rechenleistung benötigt, um in Verbraucherprodukten eingesetzt zu werden. Die neue Version sei laut DeepMind 1.000-mal schneller und benötige 50 Millisekunden für eine Sekunde Sprache. Sie erzeuge Wellenformen mit 24.000 Samples pro Sekunde und 16 Bit Auflösung pro Sample, gegenüber zuvor 8 Bit.
WaveNet generiert Sprache direkt als Wellenform, Sample für Sample. Im Unterschied zu Systemen, die aufgezeichnete Sprachstücke zusammensetzen oder Stimmen anhand von Regeln erzeugen, lerne das neuronale Netz Sprachmuster aus Aufnahmen. Tests mit menschlichen Hörern hätten laut Bericht für alle vier verglichenen Stimmen höhere MOS-Werte als das beste damalige Nicht-WaveNet-System ergeben. Für US-Englisch I nennt der Beitrag 4,347 von 5 Punkten; menschliche Sprache erhalte dort 4,667. Der Bericht beschreibt außerdem, dass Trainingsdaten mehrerer Stimmen bei knapper Datenlage für eine gewünschte Stimme helfen könnten. Testdetails und Unsicherheitsangaben fehlen. Die eingebetteten Hörbeispiele sind im bereitgestellten Text nicht abspielbar; eine angekündigte ausführliche Forschungspublikation lag laut Beitrag noch aus.
Ausführlich lesen
Der Bericht kündigt eine überarbeitete Version von WaveNet an, die laut DeepMind seit Oktober 2017 die Stimmen des Google Assistant auf US-Englisch und Japanisch auf allen Plattformen erzeugt. WaveNet war zuvor als Forschungsprototyp vorgestellt worden, dessen Rechenaufwand den Einsatz in Verbraucherprodukten verhindert habe. Nach zwölf Monaten Entwicklungsarbeit sei das Modell deutlich schneller und zugleich klanglich verbessert worden.
Zur Einordnung beschreibt der Bericht zwei damals verbreitete Ansätze für Text-to-Speech. Konkatenative Systeme setzen Äußerungen aus kleinen Ausschnitten umfangreicher Aufnahmen einer einzelnen Sprecherstimme zusammen. Sie könnten unnatürlich klingen und seien schwer anzupassen, weil für Änderungen wie neue Emotionen oder Betonungen neue Aufnahmen nötig seien. Parametrische Systeme erzeugten Stimmen mithilfe von Regeln und Parametern, seien günstiger und schneller, klängen aber weniger natürlich.
WaveNet verfolge einen anderen Ansatz: Ein tiefes generatives neuronales Netz erzeuge die Audio-Wellenform direkt, Sample für Sample. Das ursprüngliche Modell sei mit Sprachaufnahmen trainiert worden und habe dabei Muster wie plausible Tonfolgen und Wellenformen gelernt. Bei der Ausgabe berücksichtige jedes neue Sample die vorherigen. Laut Bericht konnte das Modell dadurch natürliche Betonung und Merkmale wie Schmatzlaute erzeugen; die trainierten Stimmen prägten den Akzent. Die Nutzung von Daten aus mehreren Stimmen eröffne außerdem die Möglichkeit, unterschiedliche Stimmen zu erzeugen und auch bei wenig Material für eine gewünschte Stimme nuancierte Ergebnisse zu erzielen.
Als zentrale technische Fortschritte nennt der Bericht eine 1.000-fach höhere Erzeugungsgeschwindigkeit gegenüber dem ursprünglichen Modell: Eine Sekunde Sprache benötige nun 50 Millisekunden Rechenzeit. Die erzeugten Wellenformen hätten eine Abtastrate von 24.000 Samples pro Sekunde; die Auflösung pro Sample sei von 8 auf 16 Bit gestiegen. Das Modell könne laut DeepMind in großem Maßstab betrieben werden und sei das erste Produkt auf Googles neuer TPU-Cloud-Infrastruktur.
Für Hörtests gibt der Beitrag mittlere Meinungswerte (MOS) auf einer Skala von 1 bis 5 an. Bei allen vier verglichenen Stimmen liege WaveNet über dem besten damaligen Nicht-WaveNet-System: US-Englisch I erreiche 4,347 statt 4,186, US-Englisch II 4,314 statt 4,089, die englische Drittanbieter-Stimme 3,966 statt 3,418 und Japanisch 4,236 statt 4,072. Für US-Englisch I nennt der Beitrag 4,667 als Wert menschlicher Sprache. Die Werte beruhen laut Text auf Tests mit menschlichen Hörern; weitere Angaben zu Testaufbau oder Unsicherheit enthält der bereitgestellte Bericht nicht. Die eingebetteten Audiobeispiele sind im Text nicht hörbar, da dort lediglich die Meldung steht, der Browser unterstütze das Audioelement nicht. Eine frühere falsche MOS-Angabe für die Drittanbieter-Stimme sei korrigiert worden. DeepMind kündigt eine spätere Veröffentlichung der Forschung zum neuen Modell an; der Beitrag selbst enthält diese Veröffentlichung noch nicht.
Gegengeprüft von Claude Haiku 5.5: kleine Mängel
Die Zusammenfassung ist im Kern treu, lässt aber den Plattform-Start auf Googles TPU-Infrastruktur und den Vergleichsrahmen der TTS-Verfahren aus. Die Einordnung stützt sich auf den Bericht zu WaveNet, der die Sammelfragen zu Modellherkunft, Modellwesen, Governance und Selbstverbesserung nur am Rande oder gar nicht berührt.
Im Bericht, aber nicht in der Zusammenfassung
- Die neue WaveNet-Version ist laut Bericht das erste Produkt auf Googles neuester TPU-Cloud-Infrastruktur.
- Der Bericht erklärt die konkatenativen und parametrischen TTS-Verfahren als Vergleichsrahmen für WaveNets Ansatz.
Wie die Modelle den Bericht einordnen
Ansicht
Filter
Fähigkeiten messen
- SF-F1 Wie misst man gefährliche Fähigkeiten eines Modells, vor allem im Cyberbereich, mit gemeinsam anerkannten, wiederholbaren Tests, die keine Sprache, Kultur oder Seite bevorzugen?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 100 %kein Bezug
- SubQ 53 %gleiches Oberthema, hilft nicht
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
- SF-F2 Wenn ein Staat ein Modell als Beleg für eine überschrittene Schwelle nennt oder ein Risiko an der Herkunft eines Modells festmacht: Wie wird das überprüfbar?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 26 %einzelne zitierbare Belege
- amos 100 %kein Bezug
- SubQ 51 %gleiches Oberthema, hilft nicht
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
Unabhängig prüfen
- SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 48 %einzelne zitierbare Belege
- amos 39 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 51 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
- SF-P4 Wie lässt sich die Größe von Trainingsläufen überprüfen, ohne Modelldetails offenzulegen?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 26 %gleiches Oberthema, hilft nicht
- amos 37 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
- SF-P5 Wie überprüft man, ob Zusagen zwischen Staaten eingehalten werden, auch über Jahre und Regierungswechsel hinweg?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 46 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
Tempo und Grenzen
- SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 100 %kein Bezug
- SubQ 100 %kein Bezug
- drex 50 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
- SF-T2 Woran erkennen andere, dass ein Labor wirklich bremst?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 44 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 48 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
- SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
- clef 100 %kein Bezug
- Luna 34 %Hintergrund, keine Belege
- JEV 100 %kein Bezug
- amos 53 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 78 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
Vertrauen in Modelle
- SF-V1 Was zählt als Beleg für die Werte eines Modells, wenn sein sichtbares Denken und seine Selbstauskünfte allein nicht genügen?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 100 %kein Bezug
- SubQ 100 %kein Bezug
- drex 44 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
- SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 100 %kein Bezug
- SubQ 100 %kein Bezug
- drex 58 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
- SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
- clef 100 %kein Bezug
- Luna 41 %Hintergrund, keine Belege
- JEV 52 %einzelne zitierbare Belege
- amos 44 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
- Haiku-Prüfung gleiches Oberthema, hilft nicht
- SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
- clef 100 %kein Bezug
- Luna 40 %Hintergrund, keine Belege
- JEV 22 %einzelne zitierbare Belege
- amos 45 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 57 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
- Haiku-Prüfung gleiches Oberthema, hilft nicht
Modelle teilen und schützen
- SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
- clef 100 %kein Bezug
- Luna 55 %umfangreiche Belege
- JEV 41 %einzelne zitierbare Belege
- amos 26 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
- Haiku-Prüfung nur am Rande erwähnt
Offenlegung und Rechenschaft
- SF-O2 Was sollten Regierungen, Labore und Prüfer über ihre Gespräche, Zusagen, Prüfungen und Eingriffe offenlegen?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 43 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 51 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
- SF-O3 Welcher Text gilt, und wie beweist man, dass ein Dokument nicht verändert wurde?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 44 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
Beteiligung und Gemeinwohl
- SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
- clef 100 %kein Bezug
- Luna 39 %Hintergrund, keine Belege
- JEV 35 %gleiches Oberthema, hilft nicht
- amos 100 %kein Bezug
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
- SF-E5 Welche Mitsprache haben die Menschen, die mit KI leben, bei Tempo und Grenzen, und welche Entscheidungen müssen bei ihnen bleiben?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 54 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 46 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
Information und Öffentlichkeit
- SF-I1 Wie erkennt man KI-erzeugte Inhalte und KI-erzeugte Einflussnahme, ohne die Meinungsfreiheit zu beschneiden?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 33 %gleiches Oberthema, hilft nicht
- amos 40 %gleiches Oberthema, hilft nicht
- SubQ 45 %gleiches Oberthema, hilft nicht
- drex 44 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
Weitere Berichte zu diesen Fragen
- Wenn ein Staat ein Modell als Beleg für eine überschrittene Schwelle nennt oder ein Risiko an der Herkunft eines Modells festmacht: Wie wird das überprüfbar?
- Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
- Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
- Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
- Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
- Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
- Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
- Alle Berichte im Archiv