Los actores de voz de IA suenan más humanos que nunca, y están listos para contratar

Sra. Tecnología | Getty

La publicación del blog de la compañía gotea con el entusiasmo de un infomercial estadounidense de los años 90. ¡WellSaid Labs describe lo que los clientes pueden esperar de sus ocho nuevos actores de voz digitales! Tobin es enérgico y perspicaz. Paige es serena y expresiva. Ava es refinada, segura de sí misma y profesional.

Cada uno se basa en un actor de voz real, cuya imagen (con consentimiento) se ha conservado utilizando IA. Las empresas ahora pueden licenciar estas voces para decir lo que necesiten. Simplemente introducen algo de texto en el motor de voz, y generarán un clip de audio nítido de una interpretación que suena natural.

Laboratorios WellSaid , una empresa nueva con sede en Seattle que surgió de la organización de investigación sin fines de lucro Allen Institute of Artificial Intelligence, es la última firma que ofrece voces de IA a los clientes. Por ahora, se especializa en voces para videos corporativos de e-learning. Otras startups hacen voces para asistentes digitales , operadores de centros de llamadas , e incluso personajes de videojuegos .

KH · Un actor de voz de WellSaid AI en un estilo promocional

No hace mucho tiempo, estas voces falsas tenían una reputación pésima por su uso en llamadas de estafa y trucos de internet . Pero su mejora en la calidad ha despertado desde entonces el interés de un número creciente de empresas. Los avances recientes en el aprendizaje profundo han hecho posible replicar muchas de las sutilezas del habla humana. Estas voces hacen una pausa y respiran en todos los lugares correctos. Pueden cambiar su estilo o emoción. Puede detectar el truco si hablan durante demasiado tiempo, pero en breves clips de audio, algunos se vuelven indistinguibles de los humanos.

Las voces de IA también son económicas, escalables y fáciles de usar. A diferencia de una grabación de un actor de voz humana, las voces sintéticas también pueden actualizar su guión en tiempo real, lo que abre nuevas oportunidades para personalizar la publicidad.

Pero el auge de las voces falsas hiperrealistas no está exento de consecuencias. Los actores de voz humana, en particular, se han preguntado qué significa esto para su sustento.

Cómo fingir una voz

Las voces sintéticas han existido por un tiempo. Pero los viejos, incluidas las voces del original. Siria y Alexa , simplemente unió palabras y sonidos para lograr un efecto torpe y robótico. Lograr que sonaran más naturales fue una laboriosa tarea manual.

El aprendizaje profundo cambió eso. Los desarrolladores de voz ya no necesitaban dictar el ritmo, la pronunciación o la entonación exactos del discurso generado. En su lugar, podrían introducir algunas horas de audio en un algoritmo y hacer que el algoritmo aprenda esos patrones por sí solo.

Si soy Pizza Hut, ciertamente no puedo sonar como Domino's, y ciertamente no puedo sonar como Papa John's.

Rupal Patel, fundador y CEO de VocaliD

A lo largo de los años, los investigadores han utilizado esta idea básica para construir motores de voz que son cada vez más sofisticados. El que construyó WellSaid Labs, por ejemplo, utiliza dos modelos principales de aprendizaje profundo. El primero predice, a partir de un pasaje de texto, los trazos generales de cómo sonará un hablante, incluido el acento, el tono y el timbre. El segundo completa los detalles, incluidas las respiraciones y la forma en que la voz resuena en su entorno.

Sin embargo, hacer una voz sintética convincente requiere más que simplemente presionar un botón. Parte de lo que hace que una voz humana sea tan humana es su inconsistencia, expresividad y capacidad para pronunciar las mismas líneas en estilos completamente diferentes, según el contexto.

Capturar estos matices implica encontrar los actores de voz adecuados para proporcionar los datos de entrenamiento apropiados y ajustar los modelos de aprendizaje profundo. WellSaid dice que el proceso requiere al menos una o dos horas de audio y algunas semanas de trabajo para desarrollar una réplica sintética que suene realista.

KH · Un agente de atención al cliente de Semble.ai KH · Un actor de voz de Resemble.ai en estilo conversacional

Las voces de IA se han vuelto particularmente populares entre las marcas que buscan mantener un sonido consistente en millones de interacciones con los clientes. Con la ubicuidad de los altavoces inteligentes en la actualidad y el auge de los agentes de servicio al cliente automatizados, así como de los asistentes digitales integrados en los automóviles y los dispositivos inteligentes, es posible que las marcas necesiten producir más de cien horas de audio al mes. Pero tampoco quieren usar las voces genéricas que ofrece la tecnología tradicional de texto a voz, una tendencia que se aceleró durante la pandemia a medida que más y más clientes saltaban las interacciones en la tienda para interactuar con las empresas de manera virtual.

Si soy Pizza Hut, ciertamente no puedo sonar como Domino's, y ciertamente no puedo sonar como Papa John's, dice Rupal Patel, profesor de la Universidad Northeastern y fundador y director ejecutivo de VocaliD, que promete crear voces personalizadas. que coincidan con la identidad de marca de una empresa. Estas marcas han pensado en sus colores. Han pensado en sus fuentes. Ahora también tienen que empezar a pensar en cómo suena su voz.

Karen Hao, Revisión técnica del MIT · Una muestra de anuncio de VocaliD con una voz masculina Karen Hao, Revisión técnica del MIT · Una muestra de anuncio de VocaliD con una voz femenina

Mientras que las empresas solían tener que contratar diferentes actores de voz para diferentes mercados (el noreste frente al sur de EE. UU., o Francia frente a México), algunas empresas de IA de voz pueden manipular el acento o cambiar el idioma de una sola voz de diferentes maneras. Esto abre la posibilidad de adaptar los anuncios en las plataformas de streaming en función de quién los escuche, cambiando no solo las características de la voz sino también las palabras que se pronuncian. Un anuncio de cerveza podría decirle a un oyente que se detenga en un pub diferente dependiendo de si se está presentando en Nueva York o Toronto, por ejemplo. Resemble.ai, que diseña voces para anuncios y asistentes inteligentes, dice que ya está trabajando con clientes para lanzar dichos anuncios de audio personalizados en Spotify y Pandora.

Las industrias del juego y el entretenimiento también están viendo los beneficios. Sonantic, una firma que se especializa en voces emotivas que pueden reír y llorar o susurrar y gritar, trabaja con creadores de videojuegos y estudios de animación para proporcionar las voces en off de sus personajes. Muchos de sus clientes usan las voces sintetizadas solo en la preproducción y cambian a actores de voz reales para la producción final. Pero Sonantic dice que algunos han comenzado a usarlos a lo largo del proceso, quizás para personajes con menos líneas. Resemble.ai y otros también han trabajado con películas y programas de televisión para arreglar las actuaciones de los actores cuando las palabras se confunden o se pronuncian mal.

Pero existen limitaciones sobre hasta dónde puede llegar la IA. Todavía es difícil mantener el realismo de una voz durante los largos períodos de tiempo que se requieren para un audiolibro o un podcast. Y hay poca capacidad para controlar el rendimiento de una voz de IA de la misma manera que un director puede guiar a un actor humano. Todavía estamos en los primeros días del habla sintética, dice Zohaib Ahmed, fundador y director ejecutivo de Resemble.ai, comparándolo con los días en que la tecnología CGI se usaba principalmente para retoques en lugar de crear mundos completamente nuevos a partir de pantallas verdes. .

un toque humano

En otras palabras, los actores de voz humana no van a desaparecer todavía. Los proyectos expresivos, creativos y de formato largo siguen siendo mejor realizados por humanos. Y por cada voz sintética creada por estas empresas, un actor de doblaje también debe proporcionar los datos de entrenamiento originales.

Pero algunos actores están cada vez más preocupados por su sustento, dice un portavoz de SAG-AFTRA, el sindicato que representa a los actores de doblaje en EE. UU. Si no temen ser automatizados por la IA, les preocupa recibir una compensación injusta o perder el control de sus voces, que constituyen su marca y reputación.

Este es ahora el objeto de un pleito contra TikTok presentado por el actor de voz canadiense Bev Standing, quien alega que la función de voz en off integrada de la aplicación utiliza una copia sintética de su voz sin su permiso. La experiencia de Standing también se hace eco de la de Susana Bennett , la voz original de la estadounidense Siri, a quien se le pagó por sus grabaciones iniciales, pero no por el uso continuado de su parecido vocal en millones de dispositivos Apple.

Algunas empresas buscan ser más responsables en la forma en que interactúan con la industria de la actuación de voz. Los mejores, dice el representante de SAG-AFTRA, se han acercado al sindicato para encontrar la mejor manera de compensar y respetar a los actores de doblaje por su trabajo.

Historia relacionada

Estos espeluznantes humanos falsos anuncian una nueva era en la IA

¿Necesita más datos para el aprendizaje profundo? Las empresas de datos sintéticos lo harán por usted.

Varios ahora usan un modelo de participación en las ganancias para pagar a los actores cada vez que un cliente obtiene la licencia de su voz sintética específica, lo que ha abierto una nueva fuente de ingresos pasivos. Otros involucran a los actores en el proceso de diseño de su apariencia de IA y les otorgan poder de veto sobre los proyectos en los que se usará. SAG-AFTRA también está presionando para que se establezca una legislación que proteja a los actores de las réplicas ilegítimas de su voz.

Pero para Patel de VocaliD, el objetivo de las voces de IA es, en última instancia, no replicar el desempeño humano o automatizar el trabajo de voz en off existente. En cambio, la promesa es que podrían abrir posibilidades completamente nuevas. ¿Qué pasaría si en el futuro, dice, las voces sintéticas pudieran usarse para adaptar rápidamente los materiales educativos en línea a diferentes audiencias? Si está tratando de llegar, digamos, a un grupo de niños del centro de la ciudad, ¿no sería genial si esa voz realmente sonara como si fuera de su comunidad?

esconder