Η OpenAI προσφέρει περιορισμένη πρόσβαση σε μια πλατφόρμα μετατροπής κειμένου σε φωνή την οποία έχει αναπτύξει, με την επωνυμία Voice Engine, η οποία μπορεί να δημιουργήσει συνθετική φωνή, βασισμένη σε ηχογραφημένο απόσπασμα διάρκειας μόλις 15 δευτερολέπτων. Η φωνή αυτή είναι σε θέση να αναγνώσει γραπτές οδηγίες στην ίδια γλώσσα όπως ο πραγματικός ομιλητής ή σε μια σειρά από άλλες γλώσσες. “Αυτές οι μικρής κλίμακας εφαρμογές μας βοηθούν να καταλήξουμε στην προσέγγιση, τις ασφαλιστικές δικλείδες και στον τρόπο που αντιλαμβανόμαστε το πώς θα μπορούσε να χρησιμοποιηθεί η Voice Engine για καλούς σκόπους, σε μια σειρά τομέων”, αναφέρει η OpenAI σε ανάρτηση στο ιστολόγιό της. 

Μεταξύ των εταιριών που έχουν πρόσβαση στην πλατφόρμα συγκαταλέγεται και εταιρία εκπαιδευτικής τεχνολογίας Age of Learning, η πλατφόρμα μυθοπλασίας HeyGen, η πρωτοπόρος στον τομέα του λογισμικού για εφαρμογές υγείας Dimagi, η Livox που δημιουργεί εφαρμογές επικοινωνίας με τη χρήση τεχνητής νοημοσύνης, καθώς και η Lifespan, η οποία αναπτύσσει συστήματα υγείας.

Στα παρακάτω δείγματα, τα οποία δημοσίευσε η OpenAI, μπορεί κανείς να διαπιστώσει πώς αξιοποιεί η Age of Learning την τεχνολογία αυτή προκειμένου να δημιουργήσει εκφωνήσεις προεπιλεγμένου υλικού αλλά και για την ανάγνωση “προσωποποιημένων απαντήσεων σε πραγματικό χρόνο”, γραμμένες από το GPT-4.

Πρώτα, το ηχητικό απόσπασμα στα Αγγλικά, που αποτελεί τη βάση:

Κι εδώ, έχουμε τα τρία ηχητικά αποσπάσματα που δημιουργήθηκαν από την τεχνητή νοημοσύνη, βασισμένα στο παραπάνω δείγμα:

 

 

 

Η OpenAI ανέφερε πως ξεκίνησε την ανάπτυξη της Voice Engine το 2022 και ότι η τεχνολογία αυτή έχει υποστηρίξει ήδη φωνές που χρησιμοποιούνται στη μετατροπή κειμένου σε φωνή, καθώς και τη λειτουργία Read Aloud που διαθέτει το ChatGPT. Σε συνέντευξη που παραχώρησε το TechCrunch, ο Τζεφ Χάρις, μέλος της ομάδας ανάπτυξης της Voice Engine, ανέφερε ότι το μοντέλο εκπαιδεύτηκε χρησιμοποιώντας “συνδυασμό δημόσια διαθέσιμων δεδομένων και νόμιμα παραχωρημένου υλικού”. Η OpenAI δήλωσε ότι το μοντέλο θα διατεθεί αρχικά σε περίπου 10 εταιρίες.

Η μετατροπή κειμένου σε ήχο μέσω τεχνητής νοημοσύνης αποτελεί έναν τομέα της συγκεκριμένης τεχνολογίας που εξακολουθεί να εξελίσσεται. Παρότι το ενδιαφέρον εστιάζεται κυρίως σε ορχηστρικούς ή φυσικούς ήχους, έχουν καταγραφεί προσπάθειες και στο κομμάτι της δημιουργίας φωνής, αλλά σε πολύ μικρότερο βαθμό, εν μέρει λόγω των ζητημάτων που έθεσε η ίδια η OpenAI, ως προς το πώς θα χρησιμοποιούταν αυτό το υλικό. 

Την ίδια στιγμή, η αμερικανική κυβέρνηση επιχειρεί να περιορίσει την κακόβουλη χρήση της τεχνολογίας δημιουργίας φωνής μέσω τεχνητής νοημοσύνης. Μόλις τον περασμένο μήνα, η Ομοσπονδιακή Επιτροπή Επικοινωνιών απαγόρευσε τις αυτόματες κλήσεις με τη χρήση φωνών που δημιουργήθηκαν από μοντέλα τεχνητής νοημοσύνης, μετά από καταγγελίες ότι πολίτες δέχονταν τηλεφωνήματα όπου χρησιμοποιούνταν η κλωνοποιημένη φωνή του προέδρου Μπάιντεν, με τα οποία καλούνταν οι ψηφοφόροι να μην προσέλθουν στις εκλογές.

Σύμφωνα με την OpenAI, οι εταίροι της συμφώνησαν να τηρήσουν το πλαίσιο χρήσης που διαμόρφωσε η εταιρία και ορίζει πως το υλικό δεν θα χρησιμοποιείται για την προώθηση μηνυμάτων από άτομα ή οργανισμούς χωρίς την πρότερη συγκατάθεσή τους. Παράλληλα, οι εταίροι υποχρεούνται να λάβουν τη “ρητή και ενήμερη συναίνεση” του αρχικού ομιλητή, να μη δημιουργήσουν τρόπους ώστε οι χρήστες να μπορούν να σχηματίζουν δικές τους φωνές και να ενημερώνουν τους ακροατές ότι οι φωνές που ακούγονται έχουν δημιουργηθεί από πρόγραμμα τεχνητής νοημοσύνης. Η OpenAI προσέθεσε επίσης την ενσωμάτων υδατογραφημάτων στα ηχητικά αποσπάσματα ώστε να εντοπίζεται η αρχική προέλευσή τους και να παρακολουθείται ενεργά το πού χρησιμοποιείται το υλικό.

Η OpenAI πρότεινε διάφορα βήματα που θεωρεί πως θα μπορούσαν να περιορίσουν τους κινδύνους γύρω από τέτοιου είδους εργαλεία, μεταξύ των οποίων τη σταδιακή αφαίρεση της φωνητικής πρόσβασης σε τραπεζικούς λογαριασμούς, πολιτικές για την προστασία της χρήσης της φωνής των ανθρώπων σε μοντέλα τεχνητής νοημοσύνης, διεξοδικότερη ενημέρωση για την κακόβουλη χρήση της τεχνητής νοημοσύνης και την ανάπτυξη συστημάτων παρακολούθησης του πού χρησιμοποιείται το περιεχόμενο που έχει δημιουργηθεί από μοντέλα τεχνητής νοημοσύνης.