A mesterséges intelligencia (MI) már szinte minden életterületünkre betette a lábát, legyen szó weboldalak chatbotjairól, közösségi média tartalomgyártókról vagy akár videojátékokról. Az MI-alapú hangtechnológia különösen nagyot lépett előre: az egyszerű szövegfelolvasó (Text-To-Speech – TTS) rendszerektől eljutottunk a szinte emberi hangzású, szintetikus hangokig. Olyan MI-eszközökkel, mint a hanggenerátorok vagy a hangklónozó szoftverek, a mesterséges intelligencia ma már meggyőzően képes utánozni egy személy hangját.
A szövegfelolvasás és a beszédfelismerés közötti különbség
A szövegfelolvasás (TTS) és a beszédfelismerés egy érem két oldala; mindkettő az emberi hanghoz és MI technológiához kapcsolódik, de különböző célokat szolgál. A TTS egy beszédszintézis-technológia, amely a leírt szöveget hangos beszéddé alakítja – elterjedt például hangoskönyvekben, e-learning rendszerekben vagy fogyatékkal élő emberek segítő eszközeiként. MI-t és gépi tanuló algoritmusokat használ, hogy a leírt szövegből szintetikus hangot állítson elő.
A beszédfelismerés ezzel szemben olyan folyamat, amelyben egy MI-eszköz a kimondott szavakat írott szöveggé alakítja. Ezt a technológiát széles körben használják valós idejű átirat-szolgáltatásoknál, hangalapú asszisztenseknél, mint az Apple Siri vagy az Amazon Alexa, de még egyes közösségi média platformokon (például a TikTok feliratozás funkciója) is.
Hogyan képes az MI lemásolni az emberi hangot?
Az MI általában két lépésben másolja le az emberi hangot: elemzés, majd szintetizálás. Ez része az úgynevezett hangklónozó technológiának. Először a mesterséges intelligencia rendszer mélytanuló algoritmusokat és neurális hálózatokat használ ahhoz, hogy kielemezze a személy hangjának hangmintáit vagy felvételeit – vizsgálva a hangmagasságot, a hanglejtést és az akcentust.
A szintetizálás során az MI generatív mesterséges intelligencia modellekkel (például az OpenAI ChatGPT-je vagy az Adobe VoCo-ja) egy digitális hangot hoz létre, amely visszaadja az elemzett mintákat. Ez hasonló a deepfake-hez, csak hangban. Általában már néhány másodperces hangminta is elég ahhoz, hogy a rendszer valósághű hangot generáljon.
Az emberi hang létrehozásának komponensei
Egy emberi hang létrehozásához több összetevő szükséges. Ezek közé tartoznak:
- Fonetikai elemzés: Az emberi beszéd fonetikai szerkezetének megértése, a szavak hangokra bontása.
- Prozódia elemzése: A beszéd ritmusának, hangsúlyainak és intonációjának vizsgálata.
- Tanuló algoritmusok: Gépi tanulási algoritmusokat használnak, hogy az audioadatokból tanulva hasonló mintákat tudjanak újraalkotni.
- Generatív modellek: Ezeket használják új hangadatok generálására, amelyek megfelelnek a tanult mintáknak.
Az emberi hang és az MI hang közötti különbségek
Noha a technológiai fejlődésnek köszönhetően az MI-hangok már sokkal természetesebben és emberibben szólnak, továbbra is vannak különbségek az emberi és az MI által generált hangok között. A legfőbb eltérés az érzelmi árnyalatokban és a kontextusfüggő hanglejtési különbségekben rejlik, amelyeket az emberi beszéd magától értetődően hordoz, de az MI még tanulja ezek hiteles visszaadását. Emellett etikai és adatvédelmi problémák is felmerülnek a hangklónozásnál, hiszen a visszaélések személyazonosság-lopáshoz vagy deepfake csalásokhoz vezethetnek.
A 8 legjobb MI-hang szoftver
- OpenAI ChatGPT: Generatív MI-t használ az emberihez hasonló szöveges válaszok létrehozására. A ChatGPT különféle alkalmazásokba integrálható valósághű MI-hang létrehozásához.
- Adobe VoCo: Az Adobe hangklónozó eszköze, a VoCo lehetővé teszi emberi hang szerkesztését és létrehozását már 20 percnyi eredeti hangminta alapján.
- Amazon Polly: Ez a szolgáltatás szöveget alakít élethű beszéddé, így fejlesztők hangalapú alkalmazásokat és új, beszédvezérelt termékkategóriákat hozhatnak létre.
- Microsoft Azure Text to Speech: Kiváló minőségű, természetes hangzású MI-hangjáról ismert, széles körben használt akadálymentesítésben, szórakoztatásban és kommunikációs alkalmazásokban.
- Google Text-to-Speech: Olyan szolgáltatás, amely a Google platformjain keresztül több mint 30 nyelven képes természetes hangzású beszédet szintetizálni.
- Descript: Ez az eszköz lehetővé teszi, hogy a felhasználók saját hangjukat hozzák létre, szerkesszék és javítsák, például podcastokhoz vagy hangalámondásokhoz.
- Resemble AI: A Resemble AI hangklónozó technológiát kínál egyedi, MI által generált márkahangok és termékhangok létrehozásához.
- Lyrebird: A Descript által felvásárolt Lyrebird az elsők között fejlesztett ki hangklónozó szoftvert valósághű digitális hangok készítéséhez.
A mesterséges intelligenciát, illetve gépi tanulást és neurális hálózatokat alkalmazó MI-hangtechnológia folyamatosan fejlődik, így egyre több területen találkozunk vele: hangoskönyvekben, podcastokban, a közösségi médiában és videojátékokban is. A Forbes beszámolója szerint az új MI-eszközök kiváló minőségű, valóságos hangokat kínálnak, gyökeresen átalakítva a technológiához való viszonyunkat. Ahogy a terület fejlődik, egyre inkább elmosódik a határ az emberi és az MI által generált hang között. Ugyanakkor elengedhetetlen, hogy a technológia számtalan lehetősége mellett az etikai és adatvédelmi kérdésekre is kiemelt figyelmet fordítsunk.
