ဥာဏ်ရည်တု၏ ရေမှတ်ဖြစ်သော SynthID ဆိုသည်မှာ အဘယ်နည်း။

Generative AI ပေါ်ပေါက်လာမှုသည် ရုပ်ပုံများ၊ စာသားများ၊ အော်ဒီယိုများနှင့် ဗီဒီယိုများ ထုတ်လုပ်မှုကို မြှင့်တင်ပေးခဲ့ပြီး ၎င်းနှင့်အတူ ၎င်းတို့၏ မူလအစနှင့် ပတ်သက်၍ သံသယများ ကြီးထွားလာခဲ့သည်။ ဤအခြေအနေတွင်၊ အကြောင်းအရာကို မော်ဒယ်တစ်ခုက ဖန်တီးထားခြင်း သို့မဟုတ် ပြောင်းလဲခြင်းရှိမရှိ ခွဲခြားသတ်မှတ်ပါ။ ဒစ်ဂျစ်တယ်ယုံကြည်မှု၏သော့ချက်ဖြစ်လာသည်။ SynthID ကြီးစွာသောဖြေရှင်းချက်ဖြစ်နိုင်သည်။

ဒါက Google DeepMind ရဲ့ အဆိုပြုချက်ပါ။ "မမြင်နိုင်သော" ရေစာအမှတ်အသားနည်းပညာများ၏မိသားစု လူသားတို့သိမြင်သော အရည်အသွေးကို မထိခိုက်စေဘဲ နောက်ဆက်တွဲအတည်ပြုချက်ကို လွယ်ကူချောမွေ့စေရန် AI မှထုတ်လုပ်သည့်အကြောင်းအရာတွင် တိုက်ရိုက်ထည့်သွင်းထားသည်။

SynthID ဆိုတာ ဘာလဲ၊ ဘာအတွက် ရည်ရွယ်တာလဲ။

Google သည် SynthID အတွက် ကိရိယာတစ်ခုအဖြစ် ဖော်ပြသည်။ AI ဖန်တီးထားသော အကြောင်းအရာအတွက် သီးခြားရေစာအမှတ်အသားပွင့်လင်းမြင်သာမှုနှင့် ခြေရာခံနိုင်မှုကို မြှင့်တင်ရန် ရည်ရွယ်ထားသည်။ ဖော်မတ်တစ်ခုတည်းတွင် အကန့်အသတ်မရှိပါ- ၎င်းသည် ရုပ်ပုံများ၊ အသံ၊ စာသားနှင့် ဗီဒီယိုတို့ကို လွှမ်းခြုံထားသောကြောင့် နည်းပညာပိုင်းဆိုင်ရာ ချဉ်းကပ်မှုတစ်ခုတည်းကို မီဒီယာအမျိုးအစားများတွင် အသုံးချနိုင်စေရန်။

Google ဂေဟစနစ်တွင် ၎င်းကို နည်းလမ်းများစွာဖြင့် အသုံးပြုထားပြီးဖြစ်သည်-

• စာသားထဲမှာအလံသည် Gemini တုံ့ပြန်မှုများနှင့် သက်ဆိုင်သည်။
• အသံဖိုင်တွင်Lyria မော်ဒယ်နှင့် Notebook LM ရှိ စာသားများမှ ပေါ့တ်ကာစ်များ ဖန်တီးခြင်းကဲ့သို့သော အင်္ဂါရပ်များဖြင့် အသုံးပြုထားသည်။
• En ဗီဒီယိုက1080p တွင် ကလစ်များထုတ်ပေးနိုင်သော မော်ဒယ်ဖြစ်သော Veo ဖန်တီးမှုများတွင် ပေါင်းစပ်ထားသည်။

ကိစ္စတိုင်းတွင်၊ ရေတံခွန် ၎င်းသည် မမြင်နိုင်သော၊ ဒီဇိုင်းထုတ်ထားသည်။ မကြာခဏပြုပြင်မွမ်းမံမှုများကိုခံနိုင်ရည်ရှိသည်။ အရည်အသွေးမလျှော့ဘဲ ချုံ့ခြင်း၊ ရစ်သမ်ပြောင်းလဲမှုများကဲ့သို့ အသံ သို့မဟုတ် ဗီဒီယိုဖြတ်တောက်ခြင်းများ။

နည်းပညာအပြင်၊ ၎င်း၏လက်တွေ့ ရည်မှန်းချက်မှာ ရှင်းပါသည်။ AI မပါဘဲ ထုတ်လုပ်သော ဓာတုပစ္စည်းနှင့် ဓာတုပစ္စည်းကို ခွဲခြားသိမြင်နိုင်စေရန် ကူညီပေးသည်။အသုံးပြုသူများ၊ မီဒီယာနှင့် အဖွဲ့အစည်းများသည် အကြောင်းအရာသုံးစွဲမှုနှင့် ဖြန့်ဖြူးမှုနှင့်ပတ်သက်၍ အသိဉာဏ်ဖြင့် ဆုံးဖြတ်ချက်များချနိုင်စေရန်။

စာသားရေစာ (SynthID Text) အလုပ်လုပ်ပုံ

လက်တွေ့တွင် SynthID Text သည် တစ်ခုအနေဖြင့် လုပ်ဆောင်သည်။ logit ပရိုဆက်ဆာ ပုံမှန် နမူနာနမူနာ စစ်ထုတ်မှုများ (Top-K နှင့် Top-P) ပြီးနောက် ဘာသာစကား မော်ဒယ်မျိုးဆက် ပိုက်လိုင်းတွင် ချိတ်ထားသည်။ ဤပရိုဆက်ဆာသည် မော်ဒယ်ရမှတ်များကို a ဖြင့် သိမ်မွေ့စွာ ပြုပြင်ပေးသည်။ pseudorandom function gမြင်သာသည့်အရာများကို စာသား၏ပုံစံ သို့မဟုတ် အရည်အသွေးသို့ မိတ်ဆက်ခြင်းမပြုဘဲ ဖြစ်နိုင်ခြေရှိသော ပုံစံဖြင့် အချက်အလက်ကို ကုဒ်လုပ်သည်။

ရလဒ်သည် ပထမတစ်ချက်တွင် ထိန်းသိမ်းထားသည့် စာသားတစ်ခုဖြစ်သည်။ အရည်အသွေး၊ တိကျမှုနှင့် fluidityသို့သော် လေ့ကျင့်ထားသော အတည်ပြုစနစ်ဖြင့် သိရှိနိုင်သော စာရင်းအင်းဖွဲ့စည်းပုံကို ပေါင်းစပ်ထားသည်။

ရေစာဖြင့် စာသားဖန်တီးရန် မလိုအပ်ပါ။ မော်ဒယ်ကို ပြန်လေ့ကျင့်ပါ။: နည်းလမ်းကို ရိုးရှင်းစွာ ပြင်ဆင်သတ်မှတ်ပါ။ .generate() SynthID Text ၏ logit ပရိုဆက်ဆာကို အသက်သွင်းပါ။ ၎င်းသည် မွေးစားခြင်းကို ရိုးရှင်းစေပြီး အသုံးပြုထားပြီးသော မော်ဒယ်များဖြင့် စမ်းသပ်မှုကို ခွင့်ပြုသည်။

ရေစာဆက်တင်များတွင် မရှိမဖြစ် ဘောင်နှစ်ခု ပါဝင်သည်- keys y ngram_len. သော့များ g လုပ်ဆောင်ချက်ကို အသုံးပြု၍ ဝေါဟာရ အမှတ်ပေးရန်အတွက် အသုံးပြုသည့် ထူးခြားသော၊ ကျပန်း ကိန်းပြည့်များစာရင်း၊ ထိုစာရင်း၏ အရှည်သည် ရေစာအမှတ်အသားပြုလုပ်ခြင်း၏ "အလွှာများ" မည်မျှကို ထိန်းချုပ်ထားသည်။ ဗကသ၊ ngram_len အသွင်ပြောင်းခြင်းသို့ ထောက်လှမ်းနိုင်မှုနှင့် ကြံ့ခိုင်မှုအကြား ချိန်ခွင်လျှာကို သတ်မှတ်ပေးသည်- မြင့်မားသောတန်ဖိုးများသည် ထောက်လှမ်းမှုကို ပိုမိုလွယ်ကူစေသော်လည်း တံဆိပ်သည် အပြောင်းအလဲများကို ပိုမိုခံနိုင်ရည်ရှိစေသည်။ 5 တန်ဖိုးသည် အစမှတ်တစ်ခုအဖြစ် ကောင်းစွာအလုပ်လုပ်သည်။

ထို့အပြင် SynthID Text သည် a ကိုအသုံးပြုသည်။ နမူနာဇယား ဂုဏ်သတ္တိနှစ်ခုနှင့် sampling_table_size y sampling_table_seed. နမူနာယူသည့်အခါတွင် လုပ်ဆောင်ချက် g သည် တည်ငြိမ်ပြီး ဘက်မလိုက်သောပုံစံဖြင့် လုပ်ဆောင်ကြောင်း သေချာစေရန် အနည်းဆုံး 2^16 အရွယ်အစားကို အကြံပြုထားသည်။ ပိုကြီးတဲ့ size က memory ပိုပါတယ်။ ကောက်ချက်ချနေစဉ်။ အစေ့သည် အကဲဖြတ်သည့် ပတ်ဝန်းကျင်တွင် မျိုးပွားနိုင်စေရန် ကူညီပေးသည့် မည်သည့် ကိန်းပြည့်မဆို ဖြစ်နိုင်သည်။

အချက်ပြမှုကို မြှင့်တင်ရန် အရေးကြီးသော ကွဲပြားချက်တစ်ခု ရှိသည်- ထပ်ခါတလဲလဲ n-ဂရမ် အကြောင်းအရာ၏ မကြာသေးမီက သမိုင်းအတွင်း (သတ်မှတ်ထားသော context_history_size) သည် ကျန်စာသားများတွင် အမှတ်အသားကို ထောက်လှမ်းနိုင်မှုကို ဦးစားပေးပြီး ဘာသာစကား၏ သဘာဝအတိုင်း ထပ်ကျော့ခြင်းနှင့် ဆက်စပ်နေသည့် မှားယွင်းသော အပြုသဘောဆောင်မှုများကို လျှော့ချပေးသည့် အမှတ်အသားမဟုတ်ပါ။

လုံခြုံရေးအတွက်၊ ရေစာဖွဲ့စည်းမှုတစ်ခုစီ (၎င်း၏သော့များ၊ မျိုးစေ့နှင့် ကန့်သတ်ချက်များ အပါအဝင်) သီးသန့်သိမ်းဆည်းထားရမည်။ဤသော့များပေါက်ကြားပါက၊ တတိယပါတီများသည် အမှတ်တံဆိပ်ကို အလွယ်တကူ ပုံတူပွားနိုင်သည် သို့မဟုတ် ပိုဆိုးသည်မှာ၊ ၎င်း၏ဖွဲ့စည်းပုံကို သိရှိနားလည်မှုအပြည့်ဖြင့် ၎င်းအား ကြိုးကိုင်ရန်ကြိုးစားပါ။

မည်ကဲ့သို့ ရှာဖွေတွေ့ရှိနိုင်သည်- သတ်မှတ်ချက်များဖြင့် ဖြစ်နိုင်ခြေရှိသော စစ်ဆေးမှု

စာသားရှိ ရေစာအမှတ်အသားကို အတည်ပြုခြင်းသည် ဒွိစုံမဟုတ်ပေ။ ဖြစ်နိုင်ခြေရှိသောGoogle သည် Transformers နှင့် GitHub နှစ်ခုလုံးတွင် Bayesian detector တစ်ခုကို ထုတ်ဝေပြီး စာသား၏ ကိန်းဂဏန်းပုံစံကို ခွဲခြမ်းစိတ်ဖြာပြီးနောက် ဖြစ်နိုင်သည့် ပြည်နယ်သုံးခုကို ပြန်ပေးသည်- အမှတ်တံဆိပ်နှင့်အတူ, အမှတ်တံဆိပ်မရှိပါ o မသေချာမရေရာဤ ternary output သည် လုပ်ဆောင်ချက်အား မတူညီသော အန္တရာယ်နှင့် အမှားအယွင်းခံနိုင်ရည်ရှိမှု အခြေအနေများသို့ ချိန်ညှိနိုင်စေပါသည်။

စိစစ်သူ၏ အပြုအမူကို ပြင်ဆင်သတ်မှတ်နိုင်သည်။ တံခါးခုံနှစ်ခု မှားယွင်းသော အပြုသဘောနှင့် မှားယွင်းသော အနုတ်လက္ခဏာများ နှုန်းကို ထိန်းချုပ်သည်။ တစ်နည်းဆိုရသော် သင်သည် ထောက်လှမ်းမှုကို မည်မျှတင်းကျပ်စေလိုသည်ကို ချိန်ညှိနိုင်သည်၊ တိကျမှုအတွက် အာရုံခံနိုင်စွမ်းကို စွန့်လွတ်နိုင်သည် သို့မဟုတ် သင်၏အသုံးပြုမှုကိစ္စအပေါ်မူတည်၍ အထူးအသုံးဝင်သော အရာတစ်ခု၊ အယ်ဒီတာ့အာဘော်ပတ်ဝန်းကျင်၊ ထိန်းညှိမှု သို့မဟုတ် အတွင်းစစ်ဆေးမှု။

မော်ဒယ်တော်တော်များများက အတူတူပါပဲ။ တိုကင်ဆာ၊ မျှဝေလို့လည်း ရပါတယ်။ တူညီသောအမှတ်တံဆိပ်ဖွဲ့စည်းပုံနှင့်တူညီသော detectorအတည်ပြုသူ၏ လေ့ကျင့်မှုအစုံတွင် ၎င်းတို့အားလုံး၏ နမူနာများ ပါဝင်နေသမျှ ကာလပတ်လုံး၊ ၎င်းသည် LLM အများအပြားရှိသောအဖွဲ့အစည်းများတွင် "ဘုံရေစာများ" ကိုတည်ဆောက်ရန်ပိုမိုလွယ်ကူစေသည်။

ထောက်လှမ်းကိရိယာကို လေ့ကျင့်သင်ကြားပြီးသည်နှင့် အဖွဲ့အစည်းများသည် ၎င်း၏ ထိတွေ့မှုအဆင့်ကို ဆုံးဖြတ်နိုင်သည်- ၎င်းကို ထားရှိပါ။ လုံးဝသီးသန့်ပါ။တစ်နည်းအားဖြင့် ပူဇော်ပါ။ ပုဂ္ဂလိကတစ်ဝက် API မှတဆင့် သို့မဟုတ် ၎င်းကို နည်းလမ်းဖြင့် ထုတ်ပြန်ပါ။ အများပြည်သူ တတိယအဖွဲ့အစည်းများမှဒေါင်းလုဒ်လုပ်ပြီးအသုံးပြုရန်။ ရွေးချယ်မှုသည် အဖွဲ့အစည်းတစ်ခုစီ၏ အခြေခံအဆောက်အအုံ လည်ပတ်နိုင်မှုစွမ်းရည်၊ စည်းကမ်းထိန်းသိမ်းရေးဆိုင်ရာ အန္တရာယ်များနှင့် ပွင့်လင်းမြင်သာမှုဗျူဟာတို့အပေါ် မူတည်ပါသည်။

ရုပ်ပုံများ၊ အသံနှင့် ဗီဒီယိုများတွင် ရေစာ

ဒီအမှတ်တံဆိပ်ကို ကြာရှည်ခံအောင် ဒီဇိုင်းထုတ်ထားပါတယ်။ ဘုံပြောင်းလဲမှုများ ဖြတ်တောက်ခြင်း၊ အရွယ်အစားပြောင်းလဲခြင်း၊ လှည့်ခြင်း၊ အရောင်ပြောင်းခြင်း သို့မဟုတ် မက်တာဒေတာကို ထိန်းသိမ်းထားရန်မလိုအပ်ဘဲ ဖြတ်တောက်ခြင်း၊ အစပိုင်းတွင် ၎င်း၏အသုံးပြုမှုကို ကမ်းလှမ်းခဲ့သည်။ Vertex AI တွင် ပုံအသုံးပြုသူများသည် အကြောင်းအရာကို ဖန်တီးသောအခါတွင် ရေစာကို အသက်သွင်းရန် ရွေးချယ်နိုင်သည်။

အသံပိုင်းမှာတော့ တံဆိပ်တစ်ခုပါပဲ။ နားမလည်ဘူး MP3 ချုံ့ခြင်း၊ ဆူညံသံများထည့်ခြင်း သို့မဟုတ် ပြန်ဖွင့်ခြင်းအမြန်နှုန်းကို ပြင်ဆင်ခြင်းကဲ့သို့သော ဘုံလုပ်ဆောင်ချက်များကို ပံ့ပိုးပေးသည်။ Google က ၎င်းကို ပေါင်းစပ်ထားသည်။ Lyria နှင့် Notebook LM-based လုပ်ဆောင်ချက်များတွင် ဖိုင်ဆုံးရှုံးမှုများ ထုတ်ဝေခြင်း လမ်းကြောင်းများ ဖြတ်သန်းသွားသည့်တိုင် အချက်ပြမှုကို မြှင့်တင်ပေးပါသည်။

ဗီဒီယိုတွင်၊ ချဉ်းကပ်ပုံသည် ချဉ်းကပ်ပုံချဉ်းကပ်ပုံကို ပုံတူပွားသည်- အမှတ်တံဆိပ်ကို ထည့်သွင်းထားသည်။ ဖရိမ်တစ်ခုစီ၏ pixels များစစ်ထုတ်မှုများနှင့် ဆန့်ကျင်ဘက်တွင် တည်ငြိမ်စွာ၊ ပြန်လည်ဆန်းသစ်မှုနှုန်း၊ ချုံ့မှု သို့မဟုတ် ပြောင်းလဲမှုများ၊ recortes. ဗီဒီယိုများ ထုတ်လုပ်သည်။ ငါမြင် VideoFX ကဲ့သို့သော ကိရိယာများသည် ဖန်တီးစဉ်အတွင်း ဤအမှတ်အသားကို ပေါင်းစပ်ထည့်သွင်းပြီး နောက်ဆက်တွဲတည်းဖြတ်မှုများတွင် မတော်တဆ ဖျက်ခြင်းအန္တရာယ်ကို လျှော့ချပေးသည်။

နမူနာ algorithms နှင့် စာသားတံဆိပ်၏ ကြံ့ခိုင်မှု

SynthID Text ၏ နှလုံးသားမှာ ၎င်းဖြစ်သည်။ နမူနာယူခြင်း အယ်လဂိုရီသမ်ဖြစ်နိုင်ချေရှိသော တိုကင်တစ်ခုစီအတွက် pseudo-random ရမှတ်များကို သတ်မှတ်ရန် သော့ (သို့မဟုတ် သော့အစုံ) ကိုအသုံးပြုသည်။ ကိုယ်စားလှယ်လောင်းများအား မော်ဒယ်၏ ဖြန့်ဖြူးမှုမှ (Top-K/Top-P ပြီးနောက်) မှ ထုတ်ယူပြီး ဖယ်ရှားရေးအကျော့များအပြီးတွင် "ပြိုင်ဆိုင်မှု" အဖြစ် လုပ်ဆောင်ချက် g အရ အမှတ်အများဆုံး တိုကင်ကို ရွေးချယ်သည်အထိ၊

ဤရွေးချယ်မှုလုပ်ငန်းစဉ်သည် နှစ်သက်ဖွယ်ဖြစ်သည်။ နောက်ဆုံးစာရင်းအင်းပုံစံ ဖြစ်နိုင်ခြေများသည် အမှတ်တံဆိပ်၏ အမှတ်အသားကို ဆောင်ကြသော်လည်း သဘာဝမကျသော ရွေးချယ်မှုများကို အတင်းအကျပ် မလုပ်ဘဲ၊ ထုတ်ပြန်ထားတဲ့ လေ့လာမှုတွေအရ နည်းပညာက ခက်ခဲစေတယ်။ ဖျက်ရန်၊ အတုအယောင် သို့မဟုတ် ပြောင်းပြန် အချိန်နှင့် စိတ်အားထက်သန်မှုဖြင့် ပြိုင်ဘက်များနှင့် ပြိုင်ဖက်များကို ကျိုးကြောင်းဆီလျော်စွာ ကန့်သတ်ချက်များအတွင်း အမြဲရှိနေသော တံဆိပ်ဖြစ်သည်။

ကောင်းမွန်သော အကောင်အထည်ဖော်မှုနှင့် လုံခြုံရေးအလေ့အကျင့်များ

• SynthID Text ကို အသုံးပြုနေပါက၊ ဖွဲ့စည်းမှုပုံစံကို ဆက်ဆံပါ။ ထုတ်လုပ်မှုလျှို့ဝှက်ချက်: သော့များနှင့် မျိုးစေ့များကို လုံခြုံသောမန်နေဂျာတွင် သိမ်းဆည်းပါ၊ ဝင်ရောက်ထိန်းချုပ်မှုများကို တွန်းအားပေးကာ အချိန်အခါအလိုက် လှည့်ပတ်မှုကို ခွင့်ပြုပါ။ ယိုစိမ့်မှုများကို ကာကွယ်ခြင်းသည် အင်ဂျင်ပြောင်းပြန် ကြိုးပမ်းမှုများကို တိုက်ခိုက်သည့် မျက်နှာပြင်ကို လျော့နည်းစေသည်။
• အစီအစဉ်တစ်ခုရေးဆွဲပါ။ စောင့်ကြည့်လေ့လာရေး သင့် detector အတွက်- မှားယွင်းသော အပြုသဘော/အနုတ်လက္ခဏာနှုန်းများကို မှတ်တမ်းတင်ပါ၊ အကြောင်းအရာအလိုက် သတ်မှတ်ချက်များကို ချိန်ညှိပြီး သင်၏ ထောက်လှမ်းမှုမူဝါဒကို ဆုံးဖြတ်ပါ ထိတွေ့မှု ရှင်းရှင်းလင်းလင်း တရားဝင်နှင့် လုပ်ငန်းဆောင်ရွက်မှုဆိုင်ရာ စံနှုန်းများဖြင့် (ပုဂ္ဂလိက၊ တစ်ပိုင်း၊ သို့မဟုတ် အများသူငှာ) API မှတဆင့်။ မော်ဒယ်များစွာသည် တိုကင်ဇာတစ်ခုကို မျှဝေပါက၊ လေ့ကျင့်ရေးတစ်ခုကို စဉ်းစားပါ။ ဘုံ detector ပြုပြင်ထိန်းသိမ်းမှု လွယ်ကူစေရန် ၎င်းတို့အားလုံး၏ နမူနာများနှင့်အတူ။
• စွမ်းဆောင်ရည်အဆင့်တွင်၊ ၎င်းသည် အကျိုးသက်ရောက်မှုကို အကဲဖြတ်သည်။ sampling_table_size memory နှင့် latency တွင်၊ a ကို ရွေးပါ။ ngram_len ယုံကြည်စိတ်ချရသော ထောက်လှမ်းမှုလိုအပ်ခြင်းနှင့် တည်းဖြတ်မှုများအတွက် သင်၏သည်းခံနိုင်မှုကို မျှတစေသည်။ ထပ်ခါတလဲလဲ n-grams ကိုဖယ်ထုတ်ဖို့မမေ့ပါနဲ. context_history_size) စီးဆင်းနေသောစာသားတွင် signal ကိုတိုးတက်စေရန်။

SynthID သည် သတင်းမှားများအတွက် ငွေရောင်ကျည်ဆန်မဟုတ်သော်လည်း၊ မျိုးဆက်သစ် AI ခေတ်တွင် ယုံကြည်မှုကွင်းဆက်ကို ပြန်လည်တည်ဆောက်ရန်အတွက် အခြေခံအဆောက်အအုံပိတ်ဆို့ခြင်းကို ထောက်ပံ့ပေးသည်။ စာသား၊ ရုပ်ပုံများ၊ အသံနှင့် ဗီဒီယိုများတွင် သက်သေလက္ခဏာများကို မြှုပ်နှံပြီး အသိုင်းအဝိုင်းအတွက် စာသားအစိတ်အပိုင်းကို ဖွင့်လှစ်ခြင်းဖြင့်၊ Google DeepMind သည် စစ်မှန်မှုကို လက်တွေ့ကျကျ၊ တိုင်းတာနိုင်သော၊ အထူးသဖြင့် တီထွင်ဖန်တီးနိုင်စွမ်းနှင့် အရည်အသွေးနှင့် ကိုက်ညီမှုရှိမရှိ စစ်ဆေးနိုင်သည့် အနာဂတ်ဆီသို့ တွန်းအားပေးနေသည်။