Microsoft acaba de presentar su nueva herramienta basada en IA para transformar texto en voz, siendo capaz de calcar a la perfección la voz humana con tan solo tres segundos de muestra.

Desde el lanzamiento del primer modelo de texto a voz (TTS), los investigadores han buscado formas de mejorar la forma en que estos sistemas generan el habla. El último modelo de Microsoft, VALL-E, supone un importante paso adelante en este aspecto.

Tan solo recordemos como hace unos días Microsoft ya anunció su idea de integrar ChatGPT dentro de sus principales soluciones como Bing, que se espera de cara a este primer trimestre de 2023. Además, todo apunta a que Microsoft también estaría desarrollando la forma para integrar ChatGPT con su paquete de programas para ofimática Office.

Sin embargo, un nuevo actor entra en el juego: la herramienta VALL-E. El jueves, investigadores de Microsoft anunciaron este nuevo modelo de IA de texto a voz que puede simular la voz de una persona cuando se le da una muestra de audio de tan solo tres segundos. 

Una vez que aprende una voz específica, VALL-E puede sintetizar el audio de esa persona diciendo cualquier cosa y hacerlo de una manera que intenta conservar el tono de la persona que habla.

La nueva IA de Microsoft simula la voz de cualquier persona con tan solo 3 segundos de audio