AI balss aktieri izklausās cilvēciskāki nekā jebkad agrāk, un viņi ir gatavi pieņemt darbā

Ms Tech | Getty

Uzņēmuma emuāra ierakstā valda 90. gadu ASV informatīvās reklāmas entuziasms. WellSaid Labs apraksta, ko klienti var sagaidīt no astoņiem jaunajiem digitālās balss aktieriem! Tobins ir enerģisks un saprātīgs. Peidža ir nosvērta un izteiksmīga. Ava ir noslīpēta, pašpārliecināta un profesionāla.

Katrs no tiem ir balstīts uz īstu balss aktieri, kura līdzība (ar piekrišanu) ir saglabāta, izmantojot AI. Uzņēmumi tagad var licencēt šīs balsis, lai pateiktu visu, kas tiem nepieciešams. Viņi vienkārši ievada tekstu balss dzinējā, un tiks atskaņots izteiksmīgs dabiski skanoša izpildījuma audio klips.

WellSaid Labs , Sietlā bāzēts jaunuzņēmums, kas izveidojies no pētniecības bezpeļņas Allena Mākslīgā intelekta institūta, ir jaunākais uzņēmums, kas klientiem piedāvā AI balsis. Pagaidām tas specializējas korporatīvo e-mācību videoklipu balsīs. Citi jaunuzņēmumi izsaka balsis digitālie palīgi , zvanu centru operatori , un pat videospēļu varoņi .

KH · WellSaid AI balss aktieris reklāmas stilā

Pirms neilga laika šādām viltotām balsīm bija slikta reputācija, jo tās izmantoja krāpnieciski zvani un interneta viltība . Taču to kvalitātes uzlabošana kopš tā laika ir izraisījusi arvien lielāka uzņēmumu skaita interesi. Nesenie sasniegumi dziļās mācīšanās jomā ir ļāvuši atkārtot daudzas cilvēka runas smalkumus. Šīs balsis pauzes un elpo visās pareizajās vietās. Viņi var mainīt savu stilu vai emocijas. Jūs varat pamanīt viltību, ja viņi runā pārāk ilgi, taču īsos audio klipos daži ir kļuvuši neatšķirami no cilvēkiem.

AI balsis ir arī lētas, mērogojamas un viegli lietojamas. Atšķirībā no cilvēka balss aktiera ieraksta, sintētiskās balsis var arī atjaunināt savu scenāriju reāllaikā, paverot jaunas iespējas personalizēt reklāmu.

Taču hiperreālistisku viltus balsu pieaugums nav bez sekām. Jo īpaši cilvēku balss aktieriem ir jābrīnās, ko tas nozīmē viņu iztikai.

Kā viltot balsi

Sintētiskās balsis pastāv jau kādu laiku. Bet vecās, arī oriģināla balsis Sīrija un Alexa , vienkārši salīmē kopā vārdus un skaņas, lai panāktu neveiklu, robotisku efektu. Lai tie izklausītos dabiskāk, bija darbietilpīgs manuāls uzdevums.

Padziļināta mācīšanās to mainīja. Balss izstrādātājiem vairs nebija jādiktē precīzs ģenerētās runas ritms, izruna vai intonācija. Tā vietā viņi varētu ievadīt algoritmā dažas stundas audio un likt algoritmam pašam apgūt šos modeļus.

Ja es esmu Pizza Hut, es noteikti nevaru izklausīties pēc Domino, un es noteikti nevaru izklausīties pēc Papa John's.

Rupals Patels, VocaliD dibinātājs un izpilddirektors

Gadu gaitā pētnieki ir izmantojuši šo pamatideju, lai izveidotu balss dzinējus, kas kļūst arvien sarežģītāki. Piemēram, WellSaid Labs izveidotajā versijā tiek izmantoti divi primārie dziļās apmācības modeļi. Pirmais, pamatojoties uz teksta fragmentu, paredz runātāja plašās skaņas, tostarp akcentu, augstumu un tembru. Otrais aizpilda detaļas, tostarp elpu un veidu, kā balss rezonē savā vidē.

Tomēr pārliecinošas sintētiskās balss veidošana prasa vairāk nekā tikai pogas nospiešanu. Daļa no tā, kas padara cilvēka balsi tik cilvēcisku, ir tās nekonsekvence, izteiksmīgums un spēja sniegt vienas un tās pašas līnijas pilnīgi atšķirīgos stilos atkarībā no konteksta.

Lai uztvertu šīs nianses, ir jāatrod īstie balss aktieri, lai nodrošinātu atbilstošus apmācības datus un precizētu dziļās apmācības modeļus. WellSaid saka, ka process prasa vismaz stundu vai divas audio un dažas nedēļas, lai izstrādātu reālistiski skanošu sintētisko kopiju.

KH · Resemble.ai klientu apkalpošanas aģents KH · Resemble.ai balss aktieris sarunvalodas stilā

AI balsis ir kļuvušas īpaši populāras starp zīmoliem, kuri vēlas saglabāt konsekventu skaņu miljoniem mijiedarbības ar klientiem. Tā kā mūsdienās ir plaši izplatīti viedie skaļruņi un pieaug automatizēto klientu apkalpošanas aģentu, kā arī automašīnās un viedierīcēs iebūvēto digitālo palīgu skaits, zīmoliem, iespējams, vajadzēs ražot vairāk nekā simts stundas audio mēnesī. Taču viņi arī vairs nevēlas izmantot vispārējās balsis, ko piedāvā tradicionālā teksta pārveides runa tehnoloģija — šī tendence pandēmijas laikā pieauga, jo arvien vairāk klientu izlaida mijiedarbību veikalā, lai virtuāli sazinātos ar uzņēmumiem.

Ja es esmu Pizza Hut, es noteikti nevaru izklausīties pēc Domino un es noteikti nevaru izklausīties pēc Papa Džona, saka Rupals Patels, Ziemeļaustrumu universitātes profesors un VocaliD dibinātājs un izpilddirektors, kas sola izveidot pielāgotas balsis. kas atbilst uzņēmuma zīmola identitātei. Šie zīmoli ir padomājuši par savām krāsām. Viņi ir domājuši par saviem fontiem. Tagad viņiem jāsāk domāt arī par to, kā skan viņu balss.

Kārena Hao, MIT Tech Review · VocaliD reklāmas paraugs ar vīrieša balsi Kārena Hao, MIT Tech Review · VocaliD reklāmas paraugs ar sievietes balsi

Lai gan uzņēmumiem agrāk bija jāalgo dažādi balss dalībnieki dažādiem tirgiem — ziemeļaustrumiem pret ASV dienvidu valstīm vai Francijai pret Meksiku — daži balss AI uzņēmumi var manipulēt ar akcentu vai mainīt vienas balss valodu dažādos veidos. Tas paver iespēju pielāgot reklāmas straumēšanas platformās atkarībā no klausītāja, mainot ne tikai balss īpašības, bet arī izrunātos vārdus. Alus reklāma var likt klausītājam iegriezties citā krogā atkarībā no tā, vai tas tiek atskaņots, piemēram, Ņujorkā vai Toronto. Resemble.ai, kas izstrādā balsis reklāmām un viedajiem palīgiem, saka, ka jau sadarbojas ar klientiem, lai palaistu šādas personalizētas audio reklāmas vietnēs Spotify un Pandora.

Spēļu un izklaides industrija arī redz ieguvumus. Uzņēmums Sonantic, kas specializējas emocionālās balsīs, kas var smieties un raudāt vai čukstēt un kliegt, sadarbojas ar videospēļu veidotājiem un animācijas studijām, lai nodrošinātu viņu varoņu balsis. Daudzi tās klienti izmanto sintezētās balsis tikai pirmsražošanas laikā un pāriet uz īstiem balss aktieriem gala iestudējumam. Taču Sonantic saka, ka daži ir sākuši tos izmantot visa procesa laikā, iespējams, rakstzīmēm ar mazāku līniju skaitu. Resemble.ai un citi ir arī strādājuši ar filmām un TV šoviem, lai izlabotu aktieru sniegumu, ja vārdi tiek izkropļoti vai izrunāti nepareizi.

Taču ir ierobežojumi tam, cik tālu AI var iet. Joprojām ir grūti saglabāt balss reālismu ilgu laiku, kas varētu būt nepieciešams audiogrāmatai vai aplādei. Un ir maz iespēju kontrolēt AI balss sniegumu tādā pašā veidā, kā režisors var vadīt cilvēka izpildītāju. Mēs joprojām esam sintētiskās runas sākumposmā, saka Zohaibs Ahmeds, Resemble.ai dibinātājs un izpilddirektors, salīdzinot to ar laikiem, kad CGI tehnoloģija galvenokārt tika izmantota pieskārienu uzlabošanai, nevis pilnīgi jaunu pasaules radīšanai no zaļajiem ekrāniem. .

Cilvēka pieskāriens

Citiem vārdiem sakot, cilvēku balss aktieri vēl nekur nepazūd. Ekspresīvus, radošus un ilgtermiņa projektus joprojām vislabāk var veikt cilvēki. Un par katru sintētisko balsi, ko ražo šie uzņēmumi, balss aktierim ir jāiesniedz arī sākotnējie apmācības dati.

Taču daži aktieri arvien vairāk uztraucas par savu iztiku, saka SAG-AFTRA, ASV balss aktierus pārstāvošās savienības, pārstāvis. Ja viņi nebaidās, ka AI viņus automatizēs, viņi uztraucas par negodīgu kompensāciju vai kontroles zaudēšanu pār savām balsīm, kas veido viņu zīmolu un reputāciju.

Šis tagad ir tiesas prāvas priekšmets pret TikTok, ko ieviesa kanādiešu balss aktieris Bevs Standings, kurš apgalvo, ka lietotnē iebūvētā balss pārraides funkcija bez viņas atļaujas izmanto viņas balss sintētisko kopiju. Arī Standinga pieredze sasaucas ar to Sūzena Beneta , amerikānietes Siri sākotnējā balss, kurai tika samaksāts par viņas sākotnējiem ierakstiem, bet ne par viņas balss līdzības turpmāku izmantošanu miljoniem Apple ierīču.

Daži uzņēmumi vēlas būt atbildīgāki par to, kā viņi iesaistās balss aktieru nozarē. Labākie, saka SAG-AFTRA pārstāvis, ir vērsušies pie arodbiedrības, lai noskaidrotu labāko veidu, kā kompensēt un cienīt balss aktierus par viņu darbu.

Saistīts stāsts

Šie rāpojošie viltus cilvēki vēsta par jaunu AI laikmetu

Nepieciešams vairāk datu dziļai apguvei? Sintētisko datu uzņēmumi to izveidos jūsu vietā.

Vairāki tagad izmanto peļņas sadales modeli, lai maksātu dalībniekiem katru reizi, kad klients licencē viņu konkrēto sintētisko balsi, kas ir pavērusi jaunu pasīvo ienākumu plūsmu. Citas iesaista dalībniekus viņu mākslīgā intelekta līdzības izstrādes procesā un piešķir viņiem veto tiesības attiecībā uz projektiem, kuros tas tiks izmantots. SAG-AFTRA arī mudina pieņemt tiesību aktus, lai aizsargātu dalībniekus no viņu balss nelikumīgām atdarinājumiem.

Taču VocaliD uzņēmumam Patel AI balsu mērķis galu galā nav atkārtot cilvēka veiktspēju vai automatizēt esošo balss pārraides darbu. Tā vietā tiek solīts, ka tie varētu pavērt pilnīgi jaunas iespējas. Ko darīt, ja nākotnē, viņa saka, sintētiskās balsis varētu izmantot, lai ātri pielāgotu tiešsaistes izglītības materiālus dažādām auditorijām? Ja jūs mēģināt sasniegt, teiksim, bērnu grupu iekšpilsētā, vai nebūtu lieliski, ja šī balss izklausītos tā, it kā tā būtu no viņu kopienas?

paslēpties