Poznaj AI, które nie tylko mówi jak człowiek — ale i słucha jak człowiek
Jakiś czas temu, w artykule Poczytaj mi, Claude — Jak maszyny nauczyły się mówić po ludzku, pisaliśmy, że sztuczna inteligencja przeczytała na głos tysiące klasycznych powieści z biblioteki Project Gutenberg — tworząc pokaźną liczbę audiobooków. I jej głos nie brzmiał wcale jak robot z blaszaną szczęką, lecz jak żywy lektor. Płynnie, z intonacją, z oddechem. Byliśmy pod wrażeniem.
Ale po tamtym tekście zostało nam pewne pytanie, którego wtedy nie zadaliśmy.
Czyim głosem to czyta?
Przecież AI nie ma własnego głosu. Nie urodziło się z gardłem, krtanią i płucami. Nie uczyło się mówić — słowo po słowie — naśladując język swoich rodziców. A jednak mówi do nas głosem, który brzmi jak ludzki. Skąd bierze ten głos? I co to znaczy, że potrafi go modulować — smutno, wesoło, z rozbawieniem, z powagą?
To pytanie prowadzi nas prosto do firmy Hume AI. I do czegoś, co zmienia reguły gry.
Mówić to jedno. Słyszeć to drugie.
Jest pewna podstawowa różnica między czytaniem a rozmową.
Kiedy AI odczytuje audiobook, to komunikacja jednokierunkowa: od tekstu do uszu słuchacza. Fakt, AI robi to coraz lepiej. Ale nadal nie wie, co czujesz ty. Jak reagujesz na przeczytany fragment. Może jesteś znudzony już w połowie rozdziału. A może fragment o śmierci bohatera cię tak poruszył, że wycisnął łzy? AI mówi do ciebie, ale cię nie słyszy.
Prawdziwa rozmowa wyglądałaby inaczej. Kiedy z kimś rozmawiasz, on nie odsłuchuje mechanicznie twoich kolejnych zdań. Słyszy również, jak je wypowiadasz. Słyszy, że jesteś zmęczony, że coś cię irytuje, że żartujesz, że czegoś nie rozumiesz. I reaguje na to wszystko: zwalnia, gdy coś tłumaczy, zmienia ton, gdy chce cię rozbawić, milknie, gdy wyczuwa, że potrzebujesz chwili ciszy.
Przez lata nikt nie umiał dać AI tej umiejętności. Systemy słyszały słowa, ale nie słyszały prawdziwego człowieka. Hume AI postanowiło to zmienić.
Laboratorium, które bada emocje naukowo
Hume AI nie jest kolejnym startupem od chatbotów. To przede wszystkim laboratorium badawcze — i podchodzi do emocji tak, jak naukowiec podchodzi do każdego innego zjawiska: chce je zmierzyć, zrozumieć i nauczyć maszyny, żeby je potrafiły rozpoznać. A potem zaimplementować do własnego języka. W rozmowie z nami.
Ich kluczowe odkrycie jest proste w opisie, choć skomplikowane w wykonaniu: emocje człowieka są zakodowane nie tylko w słowach, ale w sposobie mówienia. W tempie. W rytmie. W barwie głosu. W tym, jak wypowiadasz sylabę na końcu zdania — opadająco czy pytająco. W wielu innych niuansach naszej mowy.
Na tym fundamencie powstał EVI — Empathic Voice Interface, czyli empatyczny interfejs głosowy. Jego trzecia generacja, EVI 3, jest dziś jednym z najbardziej zaawansowanych systemów konwersacji głosowej na świecie.
EVI 3 — głos, który cię rozumie
Jak to działa w praktyce? Wyobraź sobie, że dzwonisz na infolinię. Jesteś sfrustrowany. Twój głos jest napięty, mówisz szybciej niż zwykle, zdania są krótkie i urwane.
Stary system tego nie słyszał. Odpowiadał wesoło i beznamiętnie: „Cieszę się, że mogę pomóc! Proszę podać numer zamówienia.”
EVI 3 słyszy coś innego. Analizuje twój ton, rytm i barwę głosu w czasie rzeczywistym — i wie, że jesteś zirytowany, zanim jeszcze zdążysz to powiedzieć wprost. Dostosowuje swój ton: mniej entuzjazmu, więcej spokoju, wyraźna troska w głosie. Bo taka reakcja w tej chwili ma sens.
To nie jest sztuczka — to wynik szczególnego sposobu, w jaki EVI 3 przetwarza mowę. Model analizuje jednocześnie to, co mówisz, i to, jak to mówisz. Obie warstwy razem dają mu obraz rozmówcy niedostępny żadnemu wcześniejszemu systemowi.
Do tego dochodzi rzecz, która brzmi jak drobiazg, ale w praktyce jest kluczowa: EVI 3 wie, kiedy skończyłeś mówić. Nie wchodzi ci w słowo. Nie odpowiada za wcześnie, bo pomylił krótką pauzę z końcem zdania. Prowadzi rozmowę tak, jak robią to ludzie — na podstawie twoich sygnałów głosowych, nie prostych algorytmów.
W niezależnych, ślepych testach rozmówcy oceniali EVI 3 wyżej niż głosowy interfejs OpenAI GPT-4o — pod względem naturalności, empatii, ekspresywności i jakości prowadzenia dialogu.
Głos z biblioteki albo własny
Jedną z najbardziej zaskakujących możliwości EVI 3 jest swoboda w doborze głosu. System ma dostęp do ponad 100 000 różnych głosów stworzonych na platformie Hume. Każdy z innym charakterem, barwą, osobowością. Możesz wybrać głos spokojny i rzeczowy — do asystenta korporacyjnego. Albo ciepły i nieco rozbawiony — do gry lub aplikacji edukacyjnej. Albo taki, który brzmi jak doświadczony nauczyciel.
Ale jest też opcja, która robi jeszcze większe wrażenie: klonowanie głosu. Wystarczy trzydzieści sekund nagrania audio — i EVI 3 potrafi mówić głosem konkretnej osoby. Nie tylko jej barwą i akcentem, lecz również rytmem, sposobem robienia pauz, charakterystyczną manierą mówienia. Wyobraź sobie audiobooka czytanego głosem twojej babci. Albo aplikację edukacyjną, która odpowiada głosem ulubionego wykładowcy. Albo wirtualnego asystenta, który brzmi dokładnie tak, jak marka, którą reprezentuje, chciałaby być postrzegana przez klientów.
Gdzie to wszystko jest już używane
EVI 3 to nie jest eksperyment laboratoryjny — to gotowe narzędzie, które już dzisiaj trafia do konkretnych zastosowań.
Firmy używają go w obsłudze klienta, żeby rozmowy z automatem przestały być tym, czym są teraz — zimnym i frustrującym obowiązkiem. Aplikacje zdrowotne i terapeutyczne korzystają z niego do prowadzenia rozmów wsparcia, w których ton głosu ma znaczenie nie mniejsze niż treść. Platformy edukacyjne budują na nim wirtualnych korepetytorów, którzy wyczuwają, kiedy uczeń się gubi — i zwalniają, zamiast jechać dalej według planu.
Firmy takie jak Niantic i Snap włączyły EVI do swoich okularów rozszerzonej rzeczywistości — bo kiedy rozmawiasz z cyfrowym towarzyszem, który patrzy na świat razem z tobą, chcesz, żeby odpowiadał jak ktoś, kto naprawdę słucha.
Na granicy możliwości i odpowiedzialności
Stoimy w miejscu, które jeszcze kilka lat temu wydawało się odległą przyszłością: AI mówi głosem człowieka, rozumie emocje, prowadzi rozmowę tak, że trudno rozróżnić, kto jest po drugiej stronie.
To fascynujące. I jednocześnie stawia bardzo poważne pytania natury prawnej.
Skoro model potrafi sklonować głos bazując na trzydziestu sekundach nagrania — kto decyduje, czyj głos może być użyty? Kto chroni twój głos przed użyciem bez twojej wiedzy? Co dzieje się, gdy ktoś użyje tej technologii nie do przeczytania audiobooka wnukowi, lecz do podszycia się pod ciebie w jakiejś ważnej sprawie?
Te pytania — o własność głosu, prawo i odpowiedzialność — omówiliśmy szczegółowo w artykule: Mój głos to moja własność — Prawo kontra klonowanie AI. Jeśli technologia Hume AI cię zainteresowała, warto go przeczytać, by poznać drugie dno tej fascynującej historii.
Bo głos to coś więcej niż dźwięk. To tożsamość. I coraz częściej — przedmiot pożądania algorytmów.
EVI 3 firmy Hume AI jest dostępny przez API dla deweloperów oraz do testowania bezpośrednio na platformie hume.ai. O praktycznym zastosowaniu tego modelu i możliwościach bezpłatnego przetestowania go piszemy w artykule LINK.
