Sözlerle ifade edilemediğinde, sesimizi kullanarak bir arızalı araba motoru veya bir kedinin miyavlaması gibi sesleri taklit etme yeteneği, kavramları etkili bir şekilde aktarmanın bir yolu olabilir. Bu vokal taklit, bir fikri iletmek için hızlı bir çizim yapmak gibidir. MIT'in CSAIL araştırmacıları, bilişsel bilimden ilham alarak, insan ses taklitlerine dair önceden bir eğitim veya maruz kalma gerektirmeyen bir yapay zeka sistemi geliştirdiler. Araştırmacılar, sesleri gırtlağın, dilin ve dudakların nasıl şekillendirdiğini simüle ederek insan ses yolunun bir modelini oluşturdular. Bilişsel olarak ilham alınmış bir AI algoritması, insanların sesleri iletişim kurmak için nasıl seçtiğini göz önünde bulundurarak bu modeli kontrol eder. Model, yaprakların hışırdaması, bir yılanın tıslaması ve bir ambulans sireni gibi çeşitli sesleri taklit edebilir. Ayrıca, insan vokal taklitlerinden gerçek dünya seslerini tahmin ederek süreci tersine çevirebilir, tıpkı çizimlerden görüntü elde etmek gibi. Örneğin, insan taklidi bir kedinin “miyavı” ile “tıslaması” arasında ayrım yapabilir. Araştırma, modelin ses tasarımcıları için taklit temelli arayüzler, sanal gerçeklikteki AI karakterlerini geliştirme ve dil öğrenenlere yardım etme gibi potansiyel kullanımlarını öne sürüyor.

MIT CSAIL’den baş yazarlar, görsel ifadede olduğu gibi, ses taklidinde de gerçekçiliğin her zaman nihai hedef olmadığını vurguluyor. Çalışmaları, işitsel soyutlama üzerine içgörüler sunuyor. Modeli geliştirmek için ekip, insan davranışına iyi uymayan gerçekçi ses taklidini amaçlayan bir temel model ile başladı. Ardından, bir sesin ayırt edici özelliklerine odaklanan "iletişimsel" bir model oluşturarak sonuçları geliştirdiler. Son olarak, insansı sonuçlara yol açan, insanların taklit için harcadıkları çabayı hesaba katan nüanslar eklediler. Bir davranış deneyinde, insan hakemler, bazı sesler için insan tarafından üretilen taklitlerden ziyade AI tarafından üretilmiş ses taklitlerini tercih etti. Araştırmacılar, modellerini dil gelişimi, bebek konuşma öğrenme ve kuş taklit davranışları dahil olmak üzere çeşitli alanlarda uygulamayı hedefliyor. Model, bazı ünsüzleri doğru bir şekilde taklit etme veya diller arası ses farklılıkları gibi zorluklarla karşılaşsa da, ses taklidinin iletişim ve dil evrimindeki rolünü daha derinlemesine anlamaya yönelik umut verici bir adım sunuyor. Çalışma, fizyolojik, sosyal ve iletişimsel faktörler arasındaki etkileşimi vurguluyor ve müzik, sanat ve ötesindeki gelecekteki teknolojiler için etkiler taşıyor.