„Google" modelis dabar klonuoja balsą iš 30 sekundžių įrašo

Įsivaizduokite, kad įkeliate trisdešimties sekundžių įrašą su savo balsu, o po kelių akimirkų dirbtinis intelektas jau kalba jūsų intonacija — šnabžda, juokiasi, daro pauzes lygiai ten, kur jūs jas darote. Dar visai neseniai tai atrodė kaip scena iš mokslinės fantastikos, tačiau šią savaitę „Google" šį triuką pavertė prieinamu beveik kiekvienam.

Rugsėjo 23 d. bendrovė išleido du naujus kalbos modelius — „Gemini 3.8 Flash TTS" ir pigesnį „Flash-Lite TTS". Esmė paprasta: seniau dirbtinio intelekto balsai mokėjo perskaityti tekstą, bet ne jį suvaidinti. Naujieji modeliai pakeičia būtent tai. Jie gali sukurti visiškai naują balsą pagal natūralios kalbos aprašymą, o ne rinktis iš paruoštų pavyzdžių, ir palaiko daugiau nei šimtą kalbų bei tarmių.

Didžiausias pokytis paprastam žmogui — valdymas. Vietoj „įklijuok tekstą ir gauk garsą" dabar galima vadovauti kiekvienai eilutei: nurodyti toną, tempą, tarmės pasikeitimą, šnabždesį, juoką ar atsidūsėjimą. Abu modeliai netgi gali surežisuoti dviejų pašnekovų pokalbį iš vieno scenarijaus ir išlaikyti balsus pastovius valandų valandas. Praktiškai tai reiškia podcast'us, audioknygas, dubliavimą ir balsinius asistentus, kurie skamba kur kas mažiau robotiškai.

Ypatingas dėmesys tenka balso kopijavimui. Iš 30 sekundžių įrašo modelis gali atkurti pastovų balsą, tačiau tik tuo atveju, jei turite teisę juo naudotis ir pateikiate savininko sutikimą. „Google" čia pastatė ir apsaugos tvorų: generuotas balsas žymimas „SynthID" vandenženkliu ir „C2PA" metaduomenimis, o balso kopijavimas „AI Studio" įrankyje blokuojamas keliose šalyse — tarp jų Jungtinėje Karalystėje, Europos ekonominės erdvės šalyse, Indijoje, Teksase ir Ilinojuje.

Modelių rezultatai įspūdingi: „Gemini 3.8 Flash TTS" užėmė pirmąją vietą „Hume AI" balso dizaino teste, nors atskirose kategorijose, pavyzdžiui, balso kokybės ir žmogiško natūralumo, „ElevenLabs" vis dar rodo geresnius skaičius. Paprastam vartotojui nereikia laukti, kol viskas pasieks kūrėjų įrankius — „Flash TTS" jau platinamas „Gemini Notebook", o „Flash-Lite TTS" — „Google Vids" vaizdo įrankyje.

Nors balsas, kurį galima klonuoti per kelias sekundes, skamba šiek tiek baugiai, realybėje tai daugiau apie kūrybą nei apie grėsmę. Žmogus, kuriam anksčiau reikėjo profesionalios studijos, kad įrašytų audioknygą, dabar gali tą padaryti su nešiojamuoju kompiuteriu — o apsaugos mechanizmai bent jau bando neatsilikti nuo galimybių.