Zamień się w AI

Rok 2023 stał się bez wątpienia rokiem sztucznej inteligencji (AI), a jej dynamiczny rozwój w dzisiejszych czasach wzbudza coraz większe zainteresowanie i entuzjazm. W tym porywającym tempie postępu technologicznego, AI przejmuje wiele dziedzin naszego życia, transformując je i wprowadzając nowe możliwości, które jeszcze niedawno wydawały się niemożliwe.

W szczególności, modele językowe, takie jak chat GPT (Generative Pre-trained Transformer), rozpoznawanie mowy oraz syntezę mowy stanowią trzy kluczowe obszary, które zasługują na naszą szczególną uwagę.

Model językowy chat GPT, oparty na zaawansowanej architekturze GPT-3.5 i GPT-4, jest jednym z najbardziej przełomowych osiągnięć w dziedzinie AI. Wykorzystując potężne techniki uczenia maszynowego, chat GPT staje się nie tylko zdolny do generowania tekstów o imponującej jakości, ale również do prowadzenia rozmów, które przypominają interakcje między ludźmi. Dzięki temu, AI staje się nie tylko narzędziem do automatyzacji, ale także partnerem w dialogu, co otwiera nowe możliwości w dziedzinach takich jak obsługa klienta, edukacja czy nawet twórczość literacka.

Rozpoznawanie mowy to kolejna dziedzina, w której sztuczna inteligencja odgrywa kluczową rolę. Dzięki zaawansowanym algorytmom i sieciom neuronowym, AI jest w stanie rozpoznać i interpretować ludzką mowę z niespotykaną wcześniej precyzją. To umożliwia tworzenie zaawansowanych systemów transkrypcji, tłumaczenia oraz interakcji głosowych. W praktyce oznacza to, że AI może być wykorzystywana do automatyzacji procesów związanych z przetwarzaniem mowy, co znacząco usprawnia i ułatwia nasze codzienne czynności.

Synteza mowy stanowi natomiast kolejny krok w przekształcaniu komunikacji ludzkiej przez sztuczną inteligencję. Dzięki nowoczesnym algorytmom i głębokiemu uczeniu się, AI jest w stanie generować naturalnie brzmiące głosy, które mogą być wykorzystywane w różnych aplikacjach, takich jak czytniki tekstów, asystenci głosowi czy nawet w produkcji audiobooków. Rok 2023 przynosi rozwinięcie i udoskonalenie tych technologii, umożliwiając AI generowanie mowy o coraz wyższej jakości i z większą indywidualnością, co prowadzi do jeszcze bardziej realistycznych interakcji z maszyną.

W dzisiejszym wpisie za pomocą prostych narzędzi dostępnych w chmurze takich jak chatGPT autorstwa OpenAI oraz narzędzia syntezy mowy od ElevenLabs sprawdzimy jak możemy stworzyć wirtualną replikę samego siebie.

Rozpoczynamy od utworzenia konta na stronie platform.openai.com/overview. Następnie klikamy w ikonkę profilu dostępną w prawym górnym rogu i przechodzi do „Manage Account”:

Przechodzimy do zakładki API keys i generujemy nowy klucz API.

Nowy klucz kopiujemy do schowka i zapisujemy.

Następnie przechodzimy na stronę https://beta.elevenlabs.io/ i dokonujemy rejestracji. ElevenLabs pozwala na korzystanie z gotowych głosów za darmo, jeżeli jednak chcemy sklonować własny głos musimy wykupić subskrpycję, która dostępna jest za $5 miesięcznie. Ja wybrałem tę opcję.

Przechodzimy do zakładki VoiceLab i klikamy przycisk Add Voice a następnie Instant Voice Cloning.

Nadajemy naszemu głosowi nazwę i wgrywamy próbki naszego głosu. Im więcej próbek tym lepiej, ja wytrenowałem mój głos na 3 nagraniach, każde po około 20 sekund mowy.

Przechodzimy do zakładki Speech Synthesis, wybieramy nasz głos oraz model Eleven Multilingual v1. Do pola tekstowego wprowadzamy przykładowy tekst i testujemy nasz głos.

Jeżeli nasz głos nie jest wiernie oddany, wracamy do zakładki VoiceLab i modyfikujemy nasz wytrenowany głos dodając więcej nagrań, najlepiej bardziej zróżnicowanych.

Jeżeli nasz głos jest już zadowalający, klikamy w ikonkę profilu w prawym górnym roku, następnie w opcję Profile i kopiujemy nasz API Key.

Mamy już przygotowane wszystkie niezbędne narzędzia AI, w ty momencie możemy przejść do implementacji naszego wirtualnego sobowtóra.

Wykorzystamy do niego język programowania python. Otwieramy wybrany przez nas edytor kodu i uruchamiamy terminal.

Rozpoczynamy od konfiguracji środowiska wirtualnego:

python -m venv venv

.\venv\Scripts\activate

source venv/bin/activate

Następnie pobieramy bibliotekę ElevenLabs:

pip install elevenlabs

from elevenlabs import generate, play, set_api_key, voices

set_api_key(‘NASZ API KEY ELEVEN LABS’) 

if __name__ == "__main__":

 voices = voices() 
 print(voices)

Następnie dokonujemy syntezy mowy, naszym głosem z poziomu pythona:

if __name__ == "__main__":

 voices = voices() 
 audio = generate( 
 text="Cześć, jak się masz?", 
 voice="michal", 
 model="eleven_multilingual_v1" 
 ) 
 play(audio)

Teraz możemy przejść do połączenia naszego głosu z chatGPT. W tym celu instalujemy bibliotekę openai:

pip install openai

import openai

 
 
openai.api_key = 'NASZ KLUCZ OPENAI`

def get_content_from_chat_35(text):

 messages=[ 
 {"role": "system", "content": text} 
 ] 
 response = openai.ChatCompletion.create(model="gpt-3.5-turbo", 
 messages=messages, 
 temperature=0, 
 max_tokens=800) 
 return response["choices"][0]['message']["content"]

Następnie możemy sprawdzić jak radzi sobie nasz model, wpisując odpowiedni prompt:

if __name__ == "__main__":

    print(get_content_from_chat_35('Wyobraź sobie, że jesteś pracownikiem firmy Asseco. Jesteś programistą, opowiedz o swoim dniu.'))

* PS Dajemy to bez kodu przewijanego, bo się nam rozjeżdża w układzie.

Na powyższe zapytanie chat odpowiedział:

Rano wstaję o godzinie 7:00 i szybko przygotowuję sobie śniadanie. O 8:00 wychodzę z domu i jadę do biura Asseco, które znajduje się w centrum miasta. Po przyjeździe do biura, wchodzę na swoje stanowisko pracy i włączam komputer.

Następnie sprawdzam swoją skrzynkę mailową, aby zobaczyć, czy nie ma żadnych pilnych zadań do wykonania. Po przeczytaniu maili, zaczynam pracę nad projektem, który jest aktualnie w trakcie realizacji. Pracuję nad kodem, testuję go i wprowadzam poprawki, jeśli są potrzebne.

W ciągu dnia spotykam się z innymi programistami, aby omówić postęp prac i rozwiązać ewentualne problemy. Współpracuję również z zespołem projektowym, aby zapewnić, że projekt jest realizowany zgodnie z wymaganiami klienta.

W międzyczasie biorę udział w spotkaniach z klientami, aby omówić ich potrzeby i przedstawić postęp prac. Współpracuję również z działem testów, aby zapewnić, że projekt jest testowany i weryfikowany zgodnie z wymaganiami.

Po zakończeniu pracy, zapisuję swoje postępy i zamykam komputer. Wychodzę z biura Asseco i wracam do domu, aby spędzić czas z rodziną i odpocząć przed kolejnym dniem pracy.

Oczywiście, to co wprowadzimy do naszego chatu jest tylko kwestią naszej wyobraźni, jedyne co nam pozostaje to połącznie uzyskanej odpowiedzi z silnikiem TTS. Ostateczna wersja kodu będzie wyglądała następująco:

from elevenlabs import generate, play, set_api_key, voices

import openai 
 
 
set_api_key('NASZ KLCUCZ API ELEVENLABS') 
openai.api_key = ''NASZ KLCUCZ API OPENAI' 
 
 
def get_content_from_chat_35(text): 
 messages=[ 
 {"role": "system", "content": text} 
 ] 
 response = openai.ChatCompletion.create(model="gpt-3.5-turbo", 
 messages=messages, 
 temperature=0, 
 max_tokens=800) 
 return response["choices"][0]['message']["content"] 
 
 
 
 
if __name__ == "__main__": 
 text = input('Wprowadź zapytanie: ') 
 content = get_content_from_chat_35(text) 
 print(content) 
 voices = voices() 
 audio = generate( 
 text=content, 
 voice="michal", 
 model="eleven_multilingual_v1" 
 ) 
 play(audio)

Dzięki wykorzystaniu API narzędzi OpenAI i ElevenLabs, mieliśmy możliwość tworzenia i rozwijania wirtualnej osobowości, która potrafiła komunikować się w sposób podobny do człowieka. Uzyskaliśmy dostęp do potężnych modeli językowych, takich jak chat GPT, które umożliwiły nam generowanie tekstów o imponującej jakości i prowadzenie rozmów na różne tematy.

Nasz eksperyment pozwolił nie tylko na odkrywanie potencjału sztucznej inteligencji, ale również na personalizację i ulepszanie naszej wirtualnej wersji.

Przykład opisany w naszym blogu stanowi jedynie wycinek ogromnych możliwości, jakie oferuje rozwijająca się sztuczna inteligencja. Narzędzia AI, w tym OpenAI i ElevenLabs, które wykorzystaliśmy, są doskonałym dowodem na to, jak szybko postępuje ta technologia. Od modeli językowych o niezwykłej precyzji, przez zaawansowane systemy rozpoznawania mowy, aż po generację realistycznej syntezy głosu - rozwój sztucznej inteligencji w tych obszarach jest zadziwiający.

Narzędzia AI umożliwiają nam tworzenie inteligentnych systemów, które mogą uczyć się, adaptować i doskonalić się w czasie rzeczywistym. W naszym przypadku, za pomocą API OpenAI i ElevenLabs, udało nam się stworzyć wirtualną wersję siebie, ale to tylko wierzchołek góry lodowej. Wielu innych specjalistów i badaczy na całym świecie wykorzystuje sztuczną inteligencję do tworzenia zaawansowanych rozwiązań w dziedzinach takich jak medycyna, przemysł, finanse czy sztuka.

Nasze doświadczenia i eksploracje AI pokazują, że rozwój tej technologii jest dynamiczny i nieustanny. Co jeszcze niedawno wydawało się być tylko możliwe w sferze fantazji, staje się rzeczywistością dzięki postępom w dziedzinie uczenia maszynowego i głębokiemu uczeniu się. Jestem pewien, że przyszłość przyniesie nam jeszcze więcej innowacyjnych narzędzi i zastosowań AI, które zmienią sposób, w jaki żyjemy, pracujemy i tworzymy.

PS Ten wpis napisał człowiek czy chat GPT :)