Границата между човешкия и синтетичния глас става все по-незабележима. Ново изследване в списание PLoS One показва, че за мнозинството хора е трудно да различат глас, генериран от изкуствен интелект, от оригиналния човешки запис, по който е клониран. Резултатите идват на фона на бързото навлизане на гласовите технологии в ежедневието и нарастващите опасения от измами и дезинформация – тема, която е актуална и у нас.
Какво показва изследването
В експеримент участниците слушат 80 различни гласа, разделени поравно: половината са човешки, а половината – генерирани от ИИ. От тях синтетичните гласове са два типа: генерични (създадени от нулата) и клонирани (създадени от запис на истински човек). Участниците оценяват чутото по признаци като надеждност и доминантност и се опитват да различат кое е реално.
Докато повечето хора разпознават генеричните ИИ гласове като неистински, клонираните се оказват най-заблуждаващи: 58% от тях са погрешно приети за човешки. За сравнение, 62% от истинските човешки гласове са правилно идентифицирани като такива – разлика, която показва колко тънка е линията между реалното и синтетичното звучене.
„Най-важният извод е, че гласовите клонинги звучат толкова човешки, колкото и записи на истински човешки гласове“, казва д-р Надин Лаван, водещ автор на изследването и старши преподавател по психология в Университет „Куин Мери“ в Лондон.
„Особено показателно е, че използвахме комерсиално достъпни инструменти – всеки може да създаде реалистични гласове без да плаща огромни суми и без специални програмни или технологични умения.“
Рискове: телефонни измами и злоупотреби с гласова идентичност
Технологиите за клониране на глас анализират и извличат ключови характеристики от гласови данни, за да имитират източника. Тази прецизност ги прави привлекателни за телефонни измами – често с подправяне гласа на близък човек, извлечен от социални мрежи. Според данни от Университета в Портсмут най-уязвими са хората над 75 години: поне две трети от тях са получавали опити за телефонна измама, като почти 60% от тези опити са по гласови обаждания. Макар не всички случаи да са с ИИ, достъпността и усъвършенстването на софтуера ускоряват разпространението му. Сред популярните комерсиални решения се посочват Hume AI и ElevenLabs.
Злоупотребите не спират до телефонните измами. В развлекателната индустрия вече има шумни спорове: миналата година актрисата Скарлет Йохансон публично възрази срещу използването в услуга с изкуствен интелект на глас, който е „стряскащо подобен“ на нейния от филма „Her“. Подобни аудио имитации са използвани и за имитиране на политици и журналисти с цел влияние върху обществените нагласи и разпространение на дезинформация.
Етика и регулации: собственост на гласа, съгласие и прозрачност
Изследователите призовават разработчиците да засилят защитите – включително чрез консултации с етици и политики, които да изяснят собствеността върху гласа, рамките на съгласието и задълженията при бързо променяща се среда. В европейски контекст приетият Закон за изкуствения интелект въвежда изисквания за прозрачност и обозначаване на синтетични съдържания, включително мерки за маркиране на аудио, което може да помогне срещу измами и подвеждане на публиката.
Ползи: по-добра достъпност и нови възможности
Както всяка технология, гласовият ИИ носи и ползи – особено за хора, които са неми или имат затруднения с говора. Отдавна известни решения за подпомогната комуникация, свързвани с примера на Стивън Хокинг, днес се допълват от възможности за персонализиране на синтетичния глас.
„Днес потребителите могат да пресъздадат оригиналния си глас, ако желаят, или да създадат изцяло нов, който да отразява идентичността им и личния им вкус“, обяснява д-р Надин Лаван.
Ново направление е и пренасянето на един и същ глас в различни езици, което позволява хората да се представят последователно отвъд езиковите граници – с потенциал за образование, радио и телевизия, и аудиокниги. Скорошни изследвания показват, че аудио-обучение с помощта на ИИ може да повиши мотивацията и ангажираността при четене, особено при ученици с разстройство с дефицит на вниманието и хиперактивност (ADHD).
Какво предстои: ще ни влияе ли знанието, че гласът е изкуствен?
„Много бих искала да проуча по-задълбочено как знанието, че един глас е генериран от ИИ, променя начина, по който хората общуват с него“, казва д-р Лаван.
„Също така е интересно как биха се възприемали синтетични гласове, които звучат приятно, но явно не са човешки: дали хората по-скоро биха следвали инструкции от тях? Биха ли се ядосвали по-малко или повече, когато нещо се обърка?“
Изводът е ясен: колкото по-естествено звучат синтетичните гласове, толкова по-важни стават правилата за прозрачност и защитата на хората от измами, но и толкова по-голям е потенциалът им да правят технологиите по-достъпни и човечни.
На кратко
- 58% от клонираните от ИИ гласове са приети за истински; 62% от реалните гласове са правилно разпознати.
- Експериментът включва 80 гласа (половина ИИ, половина човешки), оценени по надеждност и доминантност.
- Рисковете растат: при хората над 75 г. поне две трети са получавали опити за телефонна измама; почти 60% от опитите са чрез гласови обаждания.
- Индустрията е притеснена: случаи на неразрешена употреба на гласове и аудио имитации на публични личности.
- Ползи за достъпността: персонализирани синтетични гласове, обучение с ИИ и пренасяне на гласа между езици.
