Google hat kürzlich zwei KI-Modelle zu einem einzigen Modell verschmolzen, um Übersetzungen mit Originalstimmen zu ermöglichen. Dabei handelt es sich um das audiobasierte Sprachmodell AudioLM und das textbasierte Sprachmodell Palm-2.

Das Ergebnis dieser Fusion ist Audiopalm, ein neues Modell, das nicht nur Texte schreiben und übersetzen, sondern sie auch in einer gewünschten Stimme wiedergeben kann, schreibt Google in einem Beitrag.

Mit Audiopalm möchte Google das Beste aus beiden Welten zusammenbringen. Das Modell AudioLM besitzt die Fähigkeit, paralinguistische Informationen wie die Sprecheridentität und Intonation zu bewahren.

Dazu greift das Hybrid-Modell auf das sprachliche Wissen des textbasierten Sprachmodells Palm-2 zurück. Durch diese Verschmelzung strebt Google an, die Sprachverarbeitung erheblich zu verbessern.

Google behauptet, dass Audiopalm in Übersetzungsaufgaben besser abschneidet als bestehende Systeme. Darüber hinaus kann das Modell auch Sprach-und-Text-Kombinationen erzeugen, die in den Trainingsdaten nicht vorhanden sind.

Die Google-Forscher haben außerdem gezeigt, dass das Modell verschiedene Sätze in mehrere Sprachen übersetzen kann und dabei die Tonart und Stimme der ursprünglichen Audioaufnahme beibehält.

Die Entwicklung von Audiopalm ist ein bedeutender Schritt in der KI-Übersetzungstechnologie. Die Fähigkeit, Texte mit originalgetreuen Stimmen wiederzugeben, eröffnet neue Möglichkeiten in Bereichen wie Voiceover-Technik oder der Unterhaltungsindustrie.

Es bleibt abzuwarten, wie Audiopalm in der Praxis eingesetzt und welche Auswirkungen es auf die Sprachtechnologie haben wird. Vor allem aber wird sich zeigen, wann die Technik bereit für die Massen ist.

In dem Beitrag hat Google einige Audioschnipsel von Übersetzungen und ein längeres Video eingefügt, in dem Audiopalm einen englischen Text in mehrere Sprachen übersetzt.