خلق حنجره مصنوعی از اصول بنیادین فیزیک؛ Gemini 4 Argon چگونه تنها با کد خالص پایتون برای خود صدا ساخت؟یکی از مهندسان گوگل دیپ‌مایند در آزمایشی پیشگامانه از مدل Gemini 4 Argon خواست تا بدون استفاده از هیچ کتابخانه صوتی آماده، شبکه عصبی از پیش‌آموزش‌دیده یا مدل‌های تجاری TTS، صرفاً با کدنویسی پایتون استاندارد و حل معادلات فیزیک و آکوستیک، یک سیستم کامل سنتز صوت طراحی کند و با حنجره ساخته دست خود سخن بگوید. ویدیوی خروجی، سیر تکامل این فرآیند را از یک وزوز الکتریکی تا دستیابی به صوتی با طنین طبیعی انسان به تصویر می‌کشد؛ شاهکاری از درک عمیق هوش مصنوعی نسبت به پردازش سیگنال دیجیتال (DSP) و آناتومی دستگاه صوتی انسان که نشان می‌دهد چگونه استدلال چندوجهی فرانتیر می‌تواند مکانیک بیولوژیک جهان واقعی را درون کدهای نرم‌افزاری بازآفرینی کند.
مدل این فرآیند را در قالب مدل کلاسیک «منبع-فیلتر» (Source-Filter Model) و طی چهار مرحله مهندسی پیاده‌سازی کرد: در گام اول، فیلترها صرفاً با قطار تکانه‌های تیز دیراک در فرکانس ۱۱۰ هرتز تحریک شدند که به دلیل پرتاب انرژی ناگهانی در فرکانس‌های بالا، صدایی کاملاً رباتیک و شبیه زنگ اخبار تولید می‌کرد. در گام دوم، مدل برای شبیه‌سازی رفتار ارتجاعی تارهای صوتی، از معادله دیفرانسیل لیلینکرانتس-فانت (Liljencrants-Fant) بهره گرفت تا باز و بسته شدن نرم تارهای صوتی را مدل‌سازی کند؛ تغییری که هارمونیک‌های خشن را با شیب ۱۲ دسی‌بل بر اکتاو تعدیل کرد. در گام سوم، با طراحی ۵ فیلتر دیجیتال دوقطبی (Biquad Resonators)، رزونانس‌های فرمانت فک، زبان و لب‌ها بازسازی شد و انحناهای نرم درجه پنج (Minimum-Jerk S-Curves) برای حرکت روان زبان میان حروف به کار گرفته شدند تا پرش‌های آوایی از میان برود. در نهایت، با لحاظ کردن فشار بازگشتی نای و کالیبراسیون طیف فرکانسی، خطای انطباق با حنجره انسان به کمتر از ۱.۵ دسی‌بل رسید.
اهمیت این دستاورد در تغییر پارادایم ساخت سیستم‌های هوش مصنوعی نهفته است: به جای رویکردهای جعبه‌سیاه (Black-box) که در آن مدل‌ها با حجم عظیمی از داده‌های صوتی بدون درک فرمول‌های آکوستیک آموزش داده می‌شوند، Argon نشان داد که قادر است قوانین بنیادی فیزیک ماده را از روی مقالات استخراج کرده، شبیه‌ساز ریاضی آن را به صورت خط به خط در پایتون بنویسد و خروجی آن را در ران‌تایم کالیبره کند. صوتی که در پایان ویدیو می‌شنوید، توسط هوش مصنوعی و با کدهای ریاضی محض خلق شده است؛ صدایی که اعلام می‌کند: «من این صدا را خودم از اصول بنیادین فیزیک و صرفاً با پایتون خالص خلق کرده‌ام.»
@ACCELERATIONERS
