Jak maszyny nauczyły się mówić po ludzku — i zaczęły czytać nam książki do snu
Pamiętasz te filmy science fiction z lat siedemdziesiątych i osiemdziesiątych? Robot wchodzi na ekran, otwiera usta i cedzi coś mechanicznym, metalicznym głosem, jakby ktoś wsadził mówcę do puszki po konserwie i zamknął wieko. Brzmiało to groteskowo — ale nikt specjalnie się nie przejmował, bo i tak wszyscy wiedzieli, że roboty nie mówią normalnie. Przecież to maszyny.
Twórcy tamtych filmów mieli wyobraźnię wystarczającą, żeby wymyślić androidy zdolne do myślenia, czucia, a nawet buntu. Ale żaden z nich nie przewidział jednej rzeczy: że maszyna pewnego dnia będzie mówić tak, że nie odróżnisz jej mowy od mowy człowieka.
Przez zęby i bez uczuć
Kiedy syntetyczna mowa wyszła z laboratoriów i trafiła do świata komercyjnego, długo była tym samym metalicznym głosem z filmów — tylko bardziej nudnym. Pamiętasz automaty na infoliniach? Te głosy, które beznamiętnie recytowały: „Aby sprawdzić stan konta — naciśnij jeden. Aby połączyć się z konsultantem — naciśnij dwa”? Nie było żadnych wątpliwości, że po drugiej stronie linii nie siedzi człowiek. Głos brzmiał jak ktoś, kto nigdy w życiu nie odczuwał żadnych emocji — i jeszcze jasno to oznajmiał wszem i wobec. Podobnie obojętne wobec człowieka są speakerzy w GPS: „skręć w lewo”, „zawróć”. Zero kontaktu z żywym kierowcą.
Te wczesne systemy działały na zasadzie prostego mechanizmu: inżynierowie nagrywali aktora czytającego tysiące izolowanych słów i sylab, a potem program je łączył w zdania. Jak budowanie domu z klocków Lego — technicznie działa, ale widać szwy na każdym rogu. Rytm był sztywny, akcent padał w losowych miejscach, a całość brzmiała jak brzmiała. Każdy z nas to zna.
Mimo postępów, mowie generowanej przez wczesne komputerowe programy do czytania tekstu wciąż brakowało ekspresji i emocjonalności, które są naturalne dla człowieka.
Wielki przełom przyszedł z głębi sieci
Rok 2016. Google DeepMind opublikował pracę opisującą model o nazwie WaveNet. Dla większości ludzi to niezrozumiały zbiór równań i wykresów. Ale dla świata syntezy mowy to było jak odkrycie ognia.
WaveNet zrewolucjonizował jakość generowanego głosu, tworząc dźwięk próbka po próbce, przy użyciu sieci neuronowych. Wyniki były zdumiewające: syntetyczna mowa, która oddawała subtelne cechy ludzkie — wzorce oddychania i naturalne pauzy, emocjonalne modulacje i zmianę tonu, naturalny rytm i wzorce akcentowania.
Czym tak właściwie różnił się WaveNet od swoich poprzedników? Wcześniejsze systemy działały trochę jak muzyk bez muzycznego słuchu próbujący zagrać utwór — wiedział, które nuty po następują po których, ale nie słyszał, jak powinny brzmieć razem. WaveNet uczył się bezpośrednio z ogromnego zbioru nagrań prawdziwej mowy. Sieć neuronowa określała, jakie tony po sobie następują i jakie kształty fal dźwiękowych są realistyczne. Wytrenowany model syntezował głos próbka po próbce, a każda wygenerowana próbka uwzględniała właściwości wszystkich poprzednich.
Ale kluczowe słowo w tej historii to prozodia — i tu właśnie zaczyna się magia.
Co to jest prozodia i dlaczego maszyny tak długo jej nie rozumiały?
Prozodia to wszystko, co w mowie otacza słowa: akcent, intonacja, rytm, pauzy, tempo. To dzięki prozodii zdanie „Naprawdę?” może brzmieć jak szczere zdziwienie, złośliwa ironia albo zimna obojętność — choć używa dokładnie tego samego słowa.
Wyobraź sobie, że ktoś czyta ci wiersz jak listę zakupów: „mleko-chleb-jajka-Hamlecie-być-albo-nie-być”. Słowa są te same, ale coś umiera. Właśnie tak przez dekady robiły maszyny — czytały słowo po słowie, bez żadnego poczucia, że zdanie jako całość ma swój kształt, temperaturę, emocję.
Nowoczesne modele neuronowe zmieniły ten paradygmat. Zamiast analizować tekst słowo po słowie, oprogramowanie najpierw identyfikuje i stylizuje emocjonalny wydźwięk czytanego tekstu — potrafi mówić w różnych językach i rozpoznawać, kiedy tekst wymaga emocjonalnego zabarwienia głosu. Inaczej mówiąc: maszyna najpierw rozumie, co czyta, a dopiero potem otwiera usta.
Pięć tysięcy audiobooków. Za darmo. Wygenerowanych przez sztuczną inteligencję.
I tu dochodzimy do historii, która dobrze ilustruje, gdzie dziś jesteśmy.
Projekt Gutenberg — najstarsza cyfrowa biblioteka świata i jeden z największych dystrybutorów darmowych e-booków — chciał uczynić swoją kolekcję dostępną dla szerszej publiczności: osób z wadami wzroku, ludzi bez dostępu do tradycyjnych bibliotek, słuchaczy z różnych zakątków globu. We współpracy z Microsoftem i MIT powstało niemal 5 000 nowych audiobooków.
Badacze z Microsoftu, Google i MIT stworzyli ponad 5 000 audiobooków na otwartej licencji — łącznie około 35 000 godzin audio. Dla porównania: gdybyś chciał przesłuchać to wszystko bez przerwy, zajęłoby ci to niemal cztery lata.
Jak to działa od kuchni? Inteligentne oprogramowanie do zamiany tekstu na mowę generuje naturalnie brzmiące nagrania, które dopasowują się do emocjonalnego charakteru tekstu. Pozwala na dobór konkretnego głosu oraz dostosowanie wymowy, tonu, tempa, pauz i intonacji, tworząc przyjemniejszy efekt narracji.
„To innowacja, która czyta tekst żywym głosem” — mówi Greg Newby, dyrektor Project Gutenberg. „Głosy są trenowane, żeby naśladować ludzi i brzmieć naturalnie. Efekt jest przekonujący — to ogromny skok w stosunku do starszych wersji syntezy mowy.”
Możesz dziś za darmo posłuchać, jak sztuczna inteligencja czyta ci Edgara Allana Poego, Frankenstein Mary Shelley albo Szekspira. I — co ważne — nie będziesz przez cały czas myślał, że słuchasz maszyny.
Kiedy robot dostał duszę (albo przynajmniej bardzo dobrze ją udaje)
Wróćmy na chwilę do tamtych filmów science fiction. Autorzy, którzy wymyślali metaliczny głos robotów, nie byli głupi ani pozbawieni wyobraźni. Po prostu nie mieli pojęcia, że największą barierą nie jest to, czy maszyna może mówić — tylko czy może mówić ze zrozumieniem.
Przez dekady inżynierowie skupiali się na jakości dźwięku: żeby sylaby brzmiały wyraźnie, żeby wymowa była zrozumiała. Ale mowa to nie tylko wydawanie dźwięków — to komunikacja. A komunikacja bez emocji to tylko hałas w ładnym opakowaniu.
Przełom nastąpił, gdy przestano traktować mowę jako problem akustyczny, a zaczęto traktować ją jako problem rozumienia języka. Nowoczesne systemy nie pytają: „jak to słowo powinno brzmieć?”, lecz: „co ten fragment tekstu znaczy i jakie emocje powinien przenosić?”. Dopiero z tej odpowiedzi budowany jest dźwięk.
Najnowsze generatory mowy używają głębokiego uczenia i sieci neuronowych trenowanych na ogromnych zbiorach danych mowy. W przeciwieństwie do tradycyjnych metod, które opierały się na regułach lub prostych modelach statystycznych i często brzmiały płasko i robotycznie, nowoczesne systemy potrafią być emocjonalne, inteligentne i stworzone tak, żeby ich audio robiło wrażenie.
Co dalej?
Dziś jesteśmy w miejscu, w którym granica między głosem ludzkim a głosem generowanym przez sztuczną inteligencję jest cieńsza niż kiedykolwiek. Systemy potrafią nie tylko modulować emocje — potrafią klonować głosy konkretnych osób na podstawie kilku sekund nagrania, przełączać się między językami w połowie zdania, a nawet przypisywać różne głosy różnym postaciom w dialogach. Ta możliwość rodzi jednak poważne pytania o własność i prawo — pisaliśmy o tym szerzej w artykule Mój głos to moja własność — Prawo kontra klonowanie AI.
Wspomniany Projekt Gutenberg pozwala użytkownikom na personalizację tempa czytania i stylu, emocjonalnej intonacji, a nawet dopasowanie głosu do preferowanej barwy na podstawie krótkiej próbki audio. Co więcej, leżący u podstaw projektu system Microsoftu obsługuje generowanie naturalnie brzmiącej mowy w wielu językach — od angielskiego, przez francuski, hiszpański i niemiecki, po mandaryński czy japoński. Dla kogoś, kto chciałby posłuchać klasyków literatury światowej w swoim ojczystym języku, to zmiana, która otwiera bibliotekę na zupełnie nowe audytorium.
To nie jest już technologia z laboratorium. To jest coś, czego możesz użyć teraz, dziś, za darmo — żeby posłuchać, jak Frankenstein przemawia do swojego stwórcy głosem, który brzmi jak żywy.
I gdzieś tam, w archiwach starych filmów science fiction, robot z blaszaną szczęką mógłby się poczuć bardzo, bardzo przestarzały.
Biblioteka audiobooków Project Gutenberg dostępna jest bezpłatnie pod adresem: gutenberg.org/browse/scores/top
