Голоси дипфейків та текст у мовлення

Завдяки розвитку штучного інтелекту (ШІ) та глибокого навчання люди зараз можуть створювати високоякісні та реалістичні синтетичні медіа. Ця технологія відкрила двері до багатьох нових креативних рішень, що впливають на різні індустрії. Однією з таких технологій є дипфейки, які також називають синтетичними голосами та клонуванням голосу.

Що таке голоси дипфейків?

Дипфейк — це синтетичне медіа, також відоме як клонування голосу. За допомогою ШІ можливо створювати відео-дипфейки, змінювати зовнішність людини на екрані або вкладати в уста слова, яких людина ніколи не говорила, що й відоме як клонування голосу. Уявіть, що вам потрібно, аби голос Арнольда Шварценеггера повторював усе, що ви скажете.

Процес потребує спеціального програмного забезпечення для аналізу обличчя, обробки голосу на основі текстових сценаріїв та моделювання руху губ у тривимірному просторі.

Для цієї технології є багато просунутих застосувань, і клонування голосу — одне з них. Практично кожен, навіть без технічної освіти, чув про якусь гучну історію з дипфейком. Нещодавно, наприклад, вийшов посмертний документальний фільм про Тоні Бурдена, який здивував глядачів, адже він продовжував вести оповідь у...

IT-стартапи допомогли продюсерам відтворити голос Бурдена, щоб створити відчуття реальності у фільмі. Без сумніву, це досягнення, проте воно має багато моральних питань. Адже для створення сфальсифікованих відео чи компрометуючих висловлювань про кого завгодно достатньо комп'ютера з потрібним ПЗ.

Як створюють дипфейки?

Спочатку збирають достатньо зразків голосу людини — із соцмереж, записів телефонних розмов, телебачення тощо. Потім програмне забезпечення на алгоритмах ШІ комбінує зразки й створює фейковий голос. 

Це базовий огляд складного процесу. Зрештою, ШІ-інструменти використовують зібрані дані для створення природних голосів, які можуть озвучувати цифровий текст. З цієї причини дипфейки тісно пов'язані з технологією текст у мовлення (TTS). 

Інтеграція голосів дипфейків у текст-у-мовлення

Користувачі можуть змінювати такі характеристики, як висота, вік і акцент, використовуючи технології дипфейкових голосів у TTS-системах. Також можна створити синтезовані голоси, які відповідають бажаному тону та стилю, наприклад, у випадку втрати голосу. Така індивідуалізація суттєво покращує комунікацію та якість життя.

Використовуючи дипфейкові голоси, створюють привабливий аудіоконтент, який приваблює підписників і підсилює лояльність. Автори контенту застосовують голоси, схожі на відомих дикторів або знаменитостей, щоб вразити слухачів. Особливо це цінно для мультимедійних продуктів — аудіокниг, подкастів, де звук має велике значення для емоційного залучення аудиторії.

Однак використання дипфейкових голосів у TTS несе й моральні ризики. Такі голоси здатні до маніпуляцій та імітацій — людей можуть ввести в оману без їхньої згоди. Тому необхідно розробляти суворі правила та закони для правомірного й етичного застосування цієї технології.

Зрештою, інтеграція дипфейкових голосів у системи текст-у-мовлення відкриває шлях до персоналізованого й захопливого синтезу голосу. Це здатне суттєво змінити наші взаємодії з озвученим контентом, зробити його доступнішим і підвищити задоволення користувачів — за умови врахування етичних аспектів.

Переваги

Дипфейки мають і позитивні сторони. Відео "This Is Not Morgan Freeman" 2021 року продемонструвало, які перспективи має ця розширена технологія на практиці.

Зображення показали, що при тренуванні ШІ на аудіозаписах і кінохроніці вдалося створити імітацію актора із відтворенням його руху, зовнішності та мови. Хоча, як зазначалося, тут є етичні питання, це може бути незамінно для людей на кшталт актора Вела Кілмера.

Через рак горла Кілмер втратив голос, і багато хто вважав, що його кар'єра у Голлівуді завершена. Однак у документальному фільмі на Amazon Prime розповіли, що голос актора в нових ролях озвучував його син.

Проте коли Кілмер співпрацював із Sonantic — IT-стартапом, що займається моделюванням голосу, він фактично отримав голос назад. Завдяки дипфейк-технології компанія відтворила його голос, і це можна почути у фільмі Top Gun: Maverick.

Недоліки

Машинне навчання дозволяє відтворити чийсь голос у таких містах, як Нью-Йорк, де активно впроваджують нові технології. Це спрощує витік особистої інформації та підвищує ризик потрапити на гачок шахрайських дзвінків.

Етичні питання щодо дипфейкових технологій

Використання дипфейкових голосів і дипфейкового текст-у-мовлення викликає низку етичних питань. Зі зростанням можливостей технологій зростають і ризики. Наприклад, голоси ШІ Арнольда Шварценеггера звучать настільки природно, що обманюють слухачів. Це може викликати недовіру до всього, що ми чуємо, та навіть посіяти сумніви в собі.

Коли суспільство впроваджує нову технологію, треба замислитись і про перепони та ризики. Дипфейки здатні обманювати й впливати на людей голосом. Тому цілком природно непокоїтись щодо того, що це підірве довіру в суспільстві й порушить права на приватність.

Особливу небезпеку становить використання дипфейків у шахрайських дзвінках і кампаніях із дезінформації. Уявіть, що ви отримуєте дзвінок і чуєте голос, схожий на голос близької людини, друга чи партнера, — та незабаром з’ясовується, що це обман. Такі маніпуляції можуть мати серйозні наслідки для окремих людей, цілих громад або навіть країн.

Зменшення шкоди від зловживання дипфейковими голосами

Щоб зменшити цей ризик, потрібні жорстке регулювання і просвітництво користувачів. Використання дипфейкових голосів має бути обґрунтованим; необхідні чіткі державні й корпоративні настанови. Уже розроблено ефективні методи виявлення та боротьби з неправомірним використанням синтетичних голосів, а також інформаційні кампанії для користувачів про те, що цю технологію можуть використати зі зловмисною метою.

Також треба бути обережними у впровадженні інновацій і не переходити межу при використанні дипфейків та TTS-технологій. Технологічний поступ обнадійливий, але важливі прозорість і відповідальність. Користувачів потрібно повідомляти про синтез голосу — це дозволяє краще розуміти, де правда, а де обман.

Правові та питання приватності щодо дипфейкових голосів

При використанні дипфейкових голосів виникають і правові питання. Наприклад, кому належать синтезовані голоси та хто несе відповідальність за їхнє несанкціоноване використання. Необхідно розробити чіткі правила, які б захищали права людей і забезпечували відповідальне використання технологій.

Коли ми обговорюємо етичні аспекти дипфейкових голосів, дуже важливо брати участь у відкритих і широких обговореннях. Етики, законодавці, технологи й звичайні громадяни повинні разом шукати вирішення цих питань і формувати майбутнє технології на користь усього суспільства.

Уявіть, що вам телефонує начебто друг чи рідний, хоча насправді це підроблений голос, який намагається вас обдурити. Це може завдати шкоди людям, спільнотам і навіть країнам. Є багато варіантів використання дипфейкових голосів — від розважальних програм, де Alexa говорить голосом зірки, до серйозних застосувань із ризиком введення в оману.

Потреба у регулюванні для етичного використання дипфейкових голосів

Щоб забезпечити безпеку людей, потрібні чіткі правила та освітні програми щодо дипфейкових голосів. Держава та технологічні компанії повинні співпрацювати, розробляти правила належного використання дипфейків і впроваджувати методи для їх виявлення й блокування шкідливих підробок.

Використовуючи дипфейкові голоси, важливо думати про моральні аспекти. Незважаючи на привабливість нових інструментів, слід використовувати їх чесно. Люди мають знати, коли голос штучний, щоб самостійно вирішувати, довіряти почутому чи ні.

Обговорення проблем дипфейкових голосів важливе. Своїми думками повинні ділитися як фахівці, так і пересічні громадяни. Це допоможе використовувати технологію на благо всім.

На щастя, з удосконаленням програмного забезпечення для створення голосів ми зможемо краще розпізнавати підроблені голоси. Технічні компанії розробляють інструменти для виявлення й блокування таких голосів. Це допоможе банкам та кол-центрам у Нью-Йорку впевнитись, що вони спілкуються саме з людьми, а не з підробленими голосами.

Програмне забезпечення для створення дипфейкових голосів, яке варто спробувати

Інструменти машинного навчання здатні позитивно впливати на життя багатьох людей, і, можливо, вам буде цікаво спробувати створити свій аудіо-діпфейк. Для цього потрібні сучасне обладнання й програмне забезпечення, але вже зараз існують додатки для створення природних голосів. Ось п’ять генераторів дипфейкових голосів, які варто спробувати:

Resemble

Resemble AI — це інструмент для TTS і створення дипфейків, що генерує людський голос навіть на обмежених аудіоданих. Приблизно за 5 хв аудіозапису користувач може створити свій перший дипфейк.

Можна протестувати функцію зразків, завантажити свої записи й за кілька хвилин почути знайомий голос. Користувачі високо цінують простоту інтерфейсу Resemble, а також можливість налаштовувати інтонацію звуку.

Descript

Вражаючий синтезатор мовлення з потужними редакторськими можливостями. Програма аналізує голосові записи, відео та транскрипти й створює голоси на основі ШІ. Якщо якість оригінальних даних не влаштовує, їх можна відредагувати прямо у додатку — без нових записів.

Основна мета Descript — допомогти творцям контенту записувати якісні озвучки для подкастів і відео. У програмі безліч стандартних голосів, які можна використовувати для знайомства з її можливостями.

ReSpeecher

ReSpeecher — надійне рішення для дипфейків, яке допомогло відтворити голос Люка Скайвокера в The Mandalorian. Окрім застосування у кіно й серіалах, його можна використати для створення озвучки для реклами, анімації, відеоігор, подкастів та іншого. 

iSpeech

iSpeech доступний як десктопна програма, але ви також можете скористатися онлайн-версією. Окрім синтезу голосу, додаток має функції TTS, вебчиталки та розпізнавання мовлення. Щоб ознайомитися з програмою, спробуйте демо — серед зразків є голоси Барака Обами, Арнольда Шварценеггера та Скарлетт Йоханссон.

Реальне клонування голосу в реальному часі

Цей open-source-проєкт безкоштовний і доступний на GitHub. Цей універсальний інструмент дозволяє створити голос людини із п’яти секунд аудіо. Однак, за відгуками, для роботи з програмою потрібні середні чи високі технічні навички.

Speechify — простий у використанні TTS у порівнянні з дипфейковими голосами

Текст-у-мовлення (TTS), такі як Speechify, та генератори дипфейків ґрунтуються на подібних технологіях, але мають різне призначення. Speechify — це TTS або озвучення тексту, здатний читати будь-який друкований чи цифровий текст. Користувачі імпортують документ Word, статтю чи транскрипт і обирають бажаний голос оповідача — і Speechify читає текст уголос.

Програма пропонує неперевершену добірку якісних чоловічих і жіночих голосів на понад 20 мовах, зокрема англійською, іспанською, французькою, італійською й португальською. Якщо хочете підвищити продуктивність та послухати улюблену знаменитість, спробуйте голос Ґвінет Пелтроу у Speechify!

Завантажте програму на комп’ютер, iPhone чи Android та спробуйте Speechify безкоштовно вже сьогодні.

FAQ

FakeYou — це безплатно?

FakeYou — це простий і безкоштовний додаток для створення природних голосів.

Як зрозуміти, що голос дипфейковий?

Визначити дипфейк без сучасного ПЗ складно. Кібербезпекові компанії використовують біометричні системи для запобігання дипфейковому шахрайству. 

Які є небезпеки у дипфейкових голосах?

Дипфейки іноді використовують зі шкідливою метою — для поширення дезінформації, руйнування репутації і підриву довіри до державних інституцій.