AI röstskådespelare låter mer mänsklig än någonsin – och de är redo att anställa

Ms Tech | Getty

Företagets blogginlägg droppar av entusiasmen från en amerikansk inforeklam från 90-talet. WellSaid Labs beskriver vad kunder kan förvänta sig av sina åtta nya digitala röstskådespelare! Tobin är energisk och insiktsfull. Paige är balanserad och uttrycksfull. Ava är polerad, självsäker och professionell.

Var och en är baserad på en riktig röstskådespelare, vars likhet (med samtycke) har bevarats med hjälp av AI. Företag kan nu licensiera dessa röster att säga vad de behöver. De matar helt enkelt in lite text i röstmotorn, och ut kommer ett skarpt ljudklipp av en naturligt klingande prestanda att spolas ut.

WellSaid Labs , en Seattle-baserad startup som växte ur den ideella forskningsorganisationen Allen Institute of Artificial Intelligence, är det senaste företaget som erbjuder AI-röster till kunder. För närvarande är det specialiserat på röster för företags e-lärande videor. Andra startups gör röster för digitala assistenter , callcenteroperatörer , och även karaktärer från tv-spel .

KH · En WellSaid AI-röstskådespelare i marknadsföringsstil

För inte så länge sedan hade sådana djupfalska röster något av ett uselt rykte för att de användes i bluffsamtal och internet knep . Men deras förbättrade kvalitet har sedan dess väckt intresset hos ett växande antal företag. De senaste genombrotten inom djupinlärning har gjort det möjligt att replikera många av subtiliteterna i mänskligt tal. Dessa röster pausar och andas på alla rätt ställen. De kan ändra sin stil eller känsla. Du kan upptäcka tricket om de talar för länge, men i korta ljudklipp har vissa blivit omöjliga att skilja från människor.

AI-röster är också billiga, skalbara och lätta att arbeta med. Till skillnad från en inspelning av en mänsklig röstskådespelare kan syntetiska röster också uppdatera sitt manus i realtid, vilket öppnar upp för nya möjligheter att anpassa reklam.

Men uppkomsten av hyperrealistiska falska röster är inte konsekvensfri. Särskilt mänskliga röstskådespelare har fått undra vad detta betyder för deras försörjning.

Hur man fejkar en röst

Syntetiska röster har funnits ett tag. Men de gamla, inklusive rösterna från originalet syrien och Alexa , helt enkelt limmade ihop ord och ljud för att uppnå en klumpig roboteffekt. Att få dem att låta mer naturliga var en mödosam manuell uppgift.

Djup inlärning förändrade det. Röstutvecklare behövde inte längre diktera den exakta takten, uttalet eller intonationen för det genererade talet. Istället kunde de mata in några timmars ljud i en algoritm och låta algoritmen lära sig dessa mönster på egen hand.

Om jag är Pizza Hut kan jag verkligen inte låta som Domino's, och jag kan verkligen inte låta som Papa John's.

Rupal Patel, grundare och VD för VocaliD

Under åren har forskare använt denna grundidé för att bygga röstmotorer som blir mer och mer sofistikerade. Det som WellSaid Labs konstruerade använder till exempel två primära modeller för djupinlärning. Den första förutsäger, utifrån ett textavsnitt, de breda dragen av hur en talare kommer att låta – inklusive accent, tonhöjd och klang. Den andra fyller i detaljerna, inklusive andetag och hur rösten resonerar i sin omgivning.

Att göra en övertygande syntetisk röst kräver dock mer än att bara trycka på en knapp. En del av det som gör en mänsklig röst så mänsklig är dess inkonsekvens, uttrycksfullhet och förmåga att leverera samma repliker i helt olika stilar, beroende på sammanhanget.

Att fånga dessa nyanser innebär att hitta rätt röstskådespelare för att tillhandahålla lämplig träningsdata och finjustera djupinlärningsmodellerna. WellSaid säger att processen kräver minst en timme eller två av ljud och några veckors arbete för att utveckla en realistiskt klingande syntetisk replik.

KH · En Resemble.ai kundtjänstagent KH · En Resemble.ai röstskådespelare i konversationsstil

AI-röster har blivit särskilt populära bland varumärken som vill behålla ett konsekvent ljud i miljontals interaktioner med kunder. Med dagens förekomst av smarta högtalare och framväxten av automatiserade kundtjänstagenter såväl som digitala assistenter inbäddade i bilar och smarta enheter, kan varumärken behöva producera uppåt hundra timmars ljud i månaden. Men de vill inte längre använda de generiska röster som erbjuds av traditionell text-till-tal-teknik – en trend som accelererade under pandemin när fler och fler kunder hoppade över interaktioner i butik för att interagera med företag virtuellt.

Om jag är Pizza Hut kan jag absolut inte låta som Domino's, och jag kan absolut inte låta som Papa Johns, säger Rupal Patel, professor vid Northeastern University och grundare och VD för VocaliD, som lovar att bygga anpassade röster som matchar ett företags varumärkesidentitet. Dessa märken har tänkt på sina färger. De har tänkt på sina typsnitt. Nu måste de också börja tänka på hur deras röst låter.

Karen Hao, MIT Tech Review · Ett VocaliD-annonsprov med en mansröst Karen Hao, MIT Tech Review · Ett VocaliD-annonsprov med en kvinnlig röst

Medan företag tidigare var tvungna att anställa olika röstskådespelare för olika marknader – nordöstra mot södra USA, eller Frankrike mot Mexiko – kan vissa röst-AI-företag manipulera accenten eller byta språk för en enstaka röst på olika sätt. Detta öppnar för möjligheten att anpassa annonser på streamingplattformar beroende på vem som lyssnar, vilket förändrar inte bara röstens egenskaper utan även orden som sägs. En ölreklam kan berätta för en lyssnare att besöka en annan pub beroende på om den till exempel spelas i New York eller Toronto. Resemble.ai, som designar röster för annonser och smarta assistenter, säger att de redan arbetar med kunder för att lansera sådana personliga ljudannonser på Spotify och Pandora.

Spel- och underhållningsindustrin ser också fördelarna. Sonantic, ett företag som specialiserar sig på känslomässiga röster som kan skratta och gråta eller viska och skrika, samarbetar med videospelstillverkare och animationsstudior för att tillhandahålla voice-overs till deras karaktärer. Många av dess kunder använder de syntetiserade rösterna endast i förproduktion och byter till riktiga röstskådespelare för den slutliga produktionen. Men Sonantic säger att ett fåtal har börjat använda dem under hela processen, kanske för karaktärer med färre rader. Resemble.ai och andra har också arbetat med film och TV-program för att lappa upp skådespelarnas prestationer när orden blir förvrängda eller uttalas fel.

Men det finns begränsningar för hur långt AI kan gå. Det är fortfarande svårt att upprätthålla en rösts realism under de långa tidsperioder som kan krävas för en ljudbok eller podcast. Och det finns liten förmåga att kontrollera en AI-rösts prestanda på samma sätt som en regissör kan vägleda en mänsklig artist. Vi är fortfarande i de tidiga dagarna av syntetiskt tal, säger Zohaib Ahmed, grundare och VD för Resemble.ai, och jämför det med de dagar då CGI-teknologin användes främst för touch-ups snarare än för att skapa helt nya världar från gröna skärmar .

En mänsklig beröring

Med andra ord, mänskliga röstskådespelare försvinner inte än. Uttrycksfulla, kreativa och långa projekt görs fortfarande bäst av människor. Och för varje syntetisk röst som görs av dessa företag måste en röstskådespelare också tillhandahålla den ursprungliga utbildningsdatan.

Men vissa skådespelare har blivit allt mer oroliga för sin försörjning, säger en talesperson på SAG-AFTRA, facket som representerar röstskådespelare i USA. Om de inte är rädda för att bli bortautomatiserade av AI, är de oroliga för att bli orättvist kompenserade eller att förlora kontrollen över sina röster, som utgör deras varumärke och rykte.

Detta är nu föremål för en rättegång mot TikTok från den kanadensiska röstskådespelaren Bev Standing, som hävdar att appens inbyggda voice-over-funktion använder en syntetisk kopia av hennes röst utan hennes tillåtelse. Standings upplevelse återspeglar också den av Susan Bennett , den ursprungliga rösten av amerikanska Siri, som fick betalt för sina första inspelningar men inte för den fortsatta användningen av hennes röstliknande på miljontals Apple-enheter.

Vissa företag vill vara mer ansvarsfulla i hur de engagerar sig i röstskådespelarbranschen. De bästa, säger SAG-AFTRAs representant, har kontaktat facket för att ta reda på det bästa sättet att kompensera och respektera röstskådespelare för deras arbete.

Relaterad berättelse

Dessa läskiga falska människor förebådar en ny tidsålder inom AI

Behöver du mer data för djupinlärning? Syntetiska dataföretag kommer att göra det åt dig.

Flera använder nu en vinstdelningsmodell för att betala skådespelare varje gång en kund licensierar sin specifika syntetiska röst, vilket har öppnat upp en ny ström av passiv inkomst. Andra involverar aktörerna i processen att designa deras AI-liknande och ger dem vetorätt över de projekt den kommer att användas i. SAG-AFTRA driver också på för lagstiftning för att skydda aktörer från olagliga repliker av deras röst.

Men för VocaliDs Patel är poängen med AI-röster i slutändan inte att replikera mänsklig prestation eller att automatisera bort befintligt voice-over-arbete. Istället är löftet att de skulle kunna öppna upp helt nya möjligheter. Tänk om i framtiden, säger hon, syntetiska röster skulle kunna användas för att snabbt anpassa utbildningsmaterial online till olika målgrupper? Om du försöker nå, låt oss säga, en barngrupp i innerstaden, skulle det inte vara bra om den rösten faktiskt lät som om den kom från deras samhälle?

Dölj