言葉の次は、絵と声です。
文章を打つだけで画像ができて、声まで作れてしまう。
魔法に見えますが、原理は言葉のときと同じ「パターンの学習」です。
いま主流の画像生成は、砂嵐のようなノイズから始まります。
機械は「猫の写真にノイズを足していくと、どう崩れていくか」を大量に学んでいます。
生成のときは、その逆再生をやります。
ただの砂嵐から少しずつノイズを取り除いて、絵を彫り出していくのです。
「猫」という言葉を添えると、彫り出す方向が猫に寄ります。
彫刻家が石から像を彫り出す様子に似ています。
どこかの画像を切り貼りしているわけではありません。
音声も、同じ考え方です。
声の高さ、抑揚、間の取り方といった特徴を、大量の音声から学びます。
そして文章を渡すと、その特徴に沿った音の波形をゼロから作ります。