ChatGPT говорит по-беларусски с американским акцентом. Откуда он взялся?
Похоже, он передался «генетически» от разработчиков. Но как именно?
Похоже, он передался «генетически» от разработчиков. Но как именно?
Когда выяснилось, что ChatGPT-4o умеет слышать и отвечать па-беларуску, взыскательные беларусы начали экзаменовать новую модель. Пока одни умиляются, что она вообще распознает обращённую к ней речь как беларусскую и отвечает на том же языке, другие стыдят её за неправильное произношение. И все разом замечают у ChatGPT дивный американский акцент.
А откуда он вообще мог взяться? Спросили у ML-инженера Арсения Кравченко и компьютерного лингвиста Александра Пиперски.
Для начала попытались понять, как вообще устроено произношение в ChatGPT-4o. Это простая озвучка письменной речи — такая же, как, допустим, в Google Translate?
Нет, не соглашается Арсений Кравченко и отсылает и комментарию самой OpenAI. Разработчики объясняют, что последовательность аудио — текст — аудио использовалась раньше. Для этого в голосовом режиме сопрягались три модели: одна транскрибировала голос в текст, другая, собственно GPT-3.5 или GPT-4, принимала текст на вход и возвращала тоже текст, а третья преобразовывала этот текст снова в аудио. Всё это требовало от нейронки времени и энергии (на самом деле, терялось много информации), сил на смех и эмоции якобы просто не оставалось. В новой модели всё иначе — она процессит текст, аудио и картинки одновременно в одной и той же нейросети. В результате умеет и интонировать, и даже петь.
— То есть раньше speech2text, LLM и text2speech были отдельными кусками, а сейчас всё живёт в одной модели, — итожит Арсений.
Это значит, что модель генерирует сразу звучание? А что тогда является токеном — не буква, а звук? Или где-то внутри модели всё же есть прокладка-текст?
Откуда в беларусской озвучке американский акцент?
Эта тренировка происходит по всем языкам одновременно или по каждому в отдельности?
Наверняка неизвестно, но подозреваю, что на всех одновременно.
А откуда машина берет датасет — учится только на том, что ей дают, или, может, сама находит в Сети?
На том, что дают разработчики.
Значит, рецепт «заливаем в Сеть побольше качественного аудиоконтента на белмове, и ИИ начинает говорить чистенько» — вряд ли сработает? По крайней мере, не сработает напрямую?
Само в лоб не сработает.
Между тем, OpenAI приглашает всех желающих поучаствовать в обучении, отсылая свои аудиоклипы в систему автоматического распознавания речи Whisper API. Разработчики утверждают, что система обучена на 680 000 часов разноязычных данных из интернета, при этом только около трети датасета НЕ на английском. Но, кажется, ваше согласие на использование аудио в тренировке не гарантирует, что его не забракуют.
В то же время блогеры для обучения ChatGPT беларусскому языку советуют пополнять базу шаблонов CommonVoice Mozilla.
Компьютерный лингвист Александр Пиперски считает, что вопрос об английском акценте нейросети интересен прежде всего в социолингвистическом плане. И дело не в объёме беларусского датасета, а в том, насколько разработчики вообще (не) заморочены на акценте.
Но дело в том, что разработчики ChatGPT живут в англоязычном мире, где отношение к фонетическому разнообразию другое, чем в беларусском или в русском: для них акцент, по которому легко опознаётся происхождение говорящего — это не что-то неправильное, от чего надо как можно скорее избавиться, а естественное положение вещей. Соответственно, разработчики понимают, что американский акцент у их голосов в разных языках есть, но не осознают, какое сильное раздражение это у нас вызывает, и не ставят перед собой цели немедленно с этим бороться.
На самом деле, даже то видео, которое вы мне прислали (на нём у ChatGPT спрашивают про известных беларусских твиттер-юзеров. — devby), показывает, что ситуация взаимодействия разных языков ещё сложнее. Мы хотели бы, чтобы в беларусском не было американского акцента, но при этом мы ожидаем беларусский акцент в английских вставках в беларусский текст: даже если написано Twitter латинскими буквами, надо говорить тўітар/тўітэр/твітар/твітэр/… — варианты могут быть разные, но точно не Twitter с полноценным американским произношением. А, например, по-немецки такие вставки сохраняют произношение языка-источника. В общем, есть ещё что совершенствовать даже в таких мелочах.
Релоцировались? Теперь вы можете комментировать без верификации аккаунта.
Терминал2 - Виктор становиться в колейку на польской границе с грузом гречки и соли, и стоит на нейтралке полгода, так как в ввоз соли запретили к ввозу и Польша и Кракожия, пока он ждал между таможнями, а выкинуть ничего на нейтралке нельзя.
Проблема в том, что, особенно современный бел.яз. состоит почти полностью из исключений, а модели просто неоткуда было узнать как это всё читается, так же как и неподготовленному читателю.
Хотелки "моуных" всегда умиляют: когда им удобно, они используют вполне английское произношение, а когда им надо выпендриться своей "мовай" то тут вылазят тўітар/тўітэр/твітар/твітэр, хотя никто не хочет говорить іці-навіны.