ZyphraAI ने हाल ही में अपने नवीनतम बहु-भाषाई पाठ से आवाज़ में बदलने वाली (TTS) मॉडल **Zonos-TTS** की घोषणा की है, जो **Apache2.0 लाइसेंस** के तहत पूरी तरह से ओपन-सोर्स और व्यावसायिक उपयोग के लिए उपलब्ध है। Zonos-TTS न केवल वास्तविक समय की आवाज़ क्लोनिंग कार्यक्षमता का समर्थन करता है, बल्कि 200,000 घंटे के अंग्रेजी आवाज़ डेटा के प्रशिक्षण के माध्यम से उत्कृष्ट प्रदर्शन प्रदर्शित करता है। Zonos-TTS दो प्रकार के तैनाती मोड प्रदान करता है: स्थानीय तैनाती का समर्थन करता है और सुविधाजनक API सेवाएँ प्रदान करता है। सामान्य उपयोगकर्ताओं के लिए, Zyphr

Hume AI, जो एक भावनात्मक बुद्धिमत्ता आवाज़ इंटरफेस पर केंद्रित स्टार्टअप है, ने हाल ही में एक प्रयोगात्मक सुविधा ‘आवाज़ नियंत्रण’ पेश की है। यह नया उपकरण डेवलपर्स और उपयोगकर्ताओं को बिना किसी कोडिंग, AI प्रॉम्प्ट इंजीनियरिंग, या ध्वनि डिज़ाइन कौशल की आवश्यकता के, व्यक्तिगत AI आवाज़ बनाने में मदद करने के लिए डिज़ाइन किया गया है। उपयोगकर्ता ध्वनि विशेषताओं को सटीक रूप से समायोजित करके अपनी आवश्यकता के अनुसार आवाज़ को आसानी से अनुकूलित कर सकते हैं। यह नई सुविधा कंपनी द्वारा पहले पेश किए गए ‘संवेदनशील आवाज़ इंटरफ़ेस 2’ (EVI2) के आधार पर विकसित की गई है, EVI2 ने आवाज़ की प्राकृतिकता को बढ़ाया है।

जैसे-जैसे कृत्रिम बुद्धिमत्ता तकनीक में प्रगति हो रही है, आवाज़ क्लोनिंग तकनीक धीरे-धीरे जनता की नज़र में आने लगी है, लेकिन इसके संभावित खतरों के साथ-साथ प्रकट हो रहे हैं। हाल ही में कई प्रसिद्ध लोगों की आवाज़ों का दुरुपयोग करने वाले अपराधियों द्वारा दुरुपयोग किया गया है, जो धोखाधड़ी का एक उपकरण बन गई हैं। प्रसिद्ध प्राकृतिक वृत्तचित्र प्रस्तुतकर्ता डेविड एटनबरो सहित कई हस्तियों ने इस पर चिंता व्यक्त की है और कानून संरक्षकों को मजबूत बनाने की अपील की है। चित्र स्रोत नोट: चित्र AI द्वारा निर्मित, चित्र अधिकार सेवा प्रदाता Midjourney द्वारा हाल ही में, डेविड एटनबरो ने जब पाया कि उनकी आवाज़ का उपयोग राजनीतिक समाचार फैलाने के लिए किया जा रहा है, तो उन्होंने महसूस किया

एआई डिजिटल मीडिया 'डिजिटल लाइफ काज़िक' की खबरों के अनुसार, WeChat सार्वजनिक अकाउंट ने एक नई सुविधा - एआई आवाज़ क्लोनिंग को चुपचाप शुरू किया है, जिसका उद्देश्य उपयोगकर्ता के पढ़ने के अनुभव को बढ़ाना है। कहा जाता है कि यह अपडेट सार्वजनिक अकाउंट के संस्करण 2.29.1 में देखा गया है, जिससे उपयोगकर्ता अपनी आवाज़ के माध्यम से लेख पढ़ सकते हैं, और सामग्री की व्यक्तिगतता को काफी बढ़ा सकते हैं। उपयोगकर्ता बैकएंड सेटिंग्स में 'पठन ध्वनि' विकल्प पा सकते हैं, जिससे वे अपना विशेष आवाज़ बना सकते हैं। आवाज़ बनाने की प्रक्रिया نسبता सरल है, उपयोगकर्ता को केवल एक पाठ का पाठ现场朗读 करना होता है, सिस्टम तेजी से आवाज़ क्लोनिंग करेगा।

हाल ही में, एक डरावनी AI आवाज़ क्लोन धोखाधड़ी की घटना ने व्यापक ध्यान आकर्षित किया, जिससे इस तकनीक के संभावित खतरों को उजागर किया गया। प्रसिद्ध उपभोक्ता सुरक्षा वकील जै कुश्टेर के पिता लगभग इस उच्च तकनीक धोखाधड़ी के शिकार हो गए। धोखेबाजों ने AI तकनीक का उपयोग करते हुए जै की आवाज़ की नकल की और यह झूठी सूचना दी कि वह शराब पीकर गाड़ी चला रहा था और उसे 30,000 डॉलर की जमानत की तुरंत आवश्यकता है। सबसे चौंकाने वाली बात यह है कि केवल 15 सेकंड की टीवी साक्षात्कार ऑडियो का उपयोग करके धोखेबाज ने एक यथार्थवादी आवाज़ क्लोन बना लिया। हालाँकि, जै ने पहले ही अपने परिवार को इस प्रकार के धोखों से सावधान रहने के लिए कहा था, लेकिन फिर भी वे लगभग शिकार बन गए।

आज की तेजी से विकसित हो रही तकनीक में, वॉयस सिन्थेसिस तकनीक भी प्रगति पर है, विशेष रूप से खोई हुई आवाज़ को पुनर्प्राप्त करने के क्षेत्र में। हाल ही में, गूगल के शोधकर्ताओं ने एक नई तकनीक प्रस्तुत की है जिसे 'जीरो-शॉट वॉयस ट्रांसफर' कहा जाता है, यह तकनीक सीधे सबसे उन्नत टेक्स्ट-टू-स्पीच (टीटीएस) प्रणाली के साथ संयोजित की जा सकती है, जो उन लोगों की मदद करती है जिन्होंने बीमारी या दुर्घटनाओं के कारण अपनी आवाज़ खो दी है, उन्हें उनकी 'आवाज़ की यादें' वापस पाने में मदद करती है। इस तकनीक का मुख्य आधार 'जीरो-शॉट' क्षमता है, जिसका अर्थ है कि हमें इसे सक्षम करने के लिए बड़ी मात्रा में नमूनों की आवश्यकता नहीं है।

माइक्रोसॉफ्ट ने हाल ही में एक शून्य-नमूना पाठ से आवाज़ (TTS) मॉडल VALLE-2 जारी किया, जिसने तकनीकी क्षेत्र में हलचल मचा दी, और इसे TTS क्षेत्र में एक मील का पत्थर माना गया। VALLE-2 की नवाचार यह है कि इसकी शून्य-नमूना शिक्षण क्षमता है, जिसे केवल एक छोटे से अपरिचित आवाज़ नमूने की आवश्यकता होती है, ताकि यह किसी भी पाठ को बोलने के लिए आवाज़ की नकल कर सके, जिससे प्रभावशाली तात्कालिक नकल और एन्कोडर समूह का निर्माण होता है। यह दोहराव-संवेदी नमूने में सुधार करता है, डिकोडिंग की स्थिरता को बढ़ाता है, और डेटा की आवश्यकता को सरल बनाता है। विषयगत मूल्यांकन और वस्तुनिष्ठ मापदंडों के परीक्षण में, VALLE-2 ने पिछली पीढ़ी के मॉडल को पीछे छोड़ दिया।

माइक्रोसॉफ़्ट की नवीनतम तकनीक पर्सनल वाइस, उपयोगकर्ता की आवाज़ के साथ पूरी तरह से मेल खाती एआई आवाज को एक मिनट में生成 करती है। यह 100 भाषाओं में आउटपुट का समर्थन करती है, जिसमें चीनी, स्पेनिश, जर्मन आदि शामिल हैं। यह व्यापक रूप से वॉयस असिस्टेंट, गेम, मनोरंजन और मीडिया क्षेत्रों में उपयोग होती है। हायर्स के साथ मिलकर स्मार्ट स्पीकर और घरेलू उपकरणों में व्यक्तिगत आवाज़ को शामिल किया गया है। लॉन्च से पहले जिम्मेदारी से उपयोग की वचनबद्धता, सीमित रजिस्ट्रेशन की पेशकश, और अनुपालन और पारदर्शिता की सुरक्षा के लिए वॉटरमार्क प्रदान की जाती है।