Les doubleurs IA ont un son plus humain que jamais et ils sont prêts à embaucher

Mme Tech | Getty

Le billet du blog de l'entreprise dégouline de l'enthousiasme d'un publireportage américain des années 90. WellSaid Labs décrit ce que les clients peuvent attendre de ses huit nouveaux acteurs vocaux numériques ! Tobin est énergique et perspicace. Paige est posée et expressive. Ava est polie, sûre d'elle et professionnelle.

Chacun est basé sur un véritable acteur vocal, dont la ressemblance (avec consentement) a été préservée à l'aide de l'IA. Les entreprises peuvent désormais autoriser ces voix à dire tout ce dont elles ont besoin. Ils insèrent simplement du texte dans le moteur vocal, et en sortiront un clip audio net d'une performance au son naturel.

Laboratoires WellSaid , une startup basée à Seattle issue de l'institut de recherche à but non lucratif Allen Institute of Artificial Intelligence, est la dernière entreprise à proposer des voix d'IA à ses clients. Pour l'instant, elle est spécialisée dans les voix pour les vidéos e-learning d'entreprise. D'autres startups font entendre leur voix assistants numériques , opérateurs de centres d'appels , et même personnages de jeux vidéo .

KH · Un doubleur WellSaid AI dans un style promotionnel

Il n'y a pas si longtemps, ces voix deepfakes avaient une mauvaise réputation pour leur utilisation dans appels frauduleux et supercherie internet . Mais l'amélioration de leur qualité suscite depuis l'intérêt d'un nombre croissant d'entreprises. Les récentes percées dans l'apprentissage en profondeur ont permis de reproduire de nombreuses subtilités de la parole humaine. Ces voix s'arrêtent et respirent aux bons endroits. Ils peuvent changer de style ou d'émotion. Vous pouvez repérer l'astuce s'ils parlent trop longtemps, mais dans de courts clips audio, certains sont devenus indiscernables des humains.

Les voix AI sont également bon marché, évolutives et faciles à utiliser. Contrairement à un enregistrement d'un acteur de voix humaine, les voix de synthèse peuvent également mettre à jour leur scénario en temps réel, ouvrant de nouvelles opportunités pour personnaliser la publicité.

Mais la montée des fausses voix hyperréalistes n'est pas sans conséquences. Les acteurs de la voix humaine, en particulier, se demandent ce que cela signifie pour leurs moyens de subsistance.

Comment simuler une voix

Les voix synthétiques existent depuis un moment. Mais les anciens, y compris les voix de l'original Syrie et Alexa , simplement collés ensemble des mots et des sons pour obtenir un effet robotique maladroit. Les faire sonner plus naturellement était une tâche manuelle laborieuse.

L'apprentissage en profondeur a changé cela. Les développeurs vocaux n'ont plus besoin de dicter le rythme, la prononciation ou l'intonation exacts du discours généré. Au lieu de cela, ils pourraient alimenter quelques heures d'audio dans un algorithme et faire en sorte que l'algorithme apprenne ces modèles par lui-même.

Si je suis Pizza Hut, je ne peux certainement pas ressembler à Domino's, et je ne peux certainement pas ressembler à Papa John's.

Rupal Patel, fondateur et PDG de VocaliD

Au fil des années, les chercheurs ont utilisé cette idée de base pour construire des moteurs vocaux de plus en plus sophistiqués. Celui construit par WellSaid Labs, par exemple, utilise deux modèles principaux d'apprentissage en profondeur. Le premier prédit, à partir d'un passage de texte, les grandes lignes de ce à quoi ressemblera un locuteur, y compris l'accent, la hauteur et le timbre. Le second remplit les détails, y compris les souffles et la façon dont la voix résonne dans son environnement.

Cependant, créer une voix synthétique convaincante ne se limite pas à appuyer sur un bouton. Une partie de ce qui rend une voix humaine si humaine est son incohérence, son expressivité et sa capacité à livrer les mêmes lignes dans des styles complètement différents, selon le contexte.

Pour saisir ces nuances, il faut trouver les bons acteurs vocaux pour fournir les données de formation appropriées et affiner les modèles d'apprentissage en profondeur. WellSaid dit que le processus nécessite au moins une heure ou deux d'audio et quelques semaines de travail pour développer une réplique synthétique au son réaliste.

KH · Un agent du service client Resemble.ai KH · Un doubleur Resemble.ai dans un style conversationnel

Les voix de l'IA sont devenues particulièrement populaires parmi les marques qui cherchent à maintenir un son cohérent dans des millions d'interactions avec les clients. Avec l'omniprésence des haut-parleurs intelligents aujourd'hui et l'essor des agents de service client automatisés ainsi que des assistants numériques intégrés dans les voitures et les appareils intelligents, les marques peuvent avoir besoin de produire plus d'une centaine d'heures d'audio par mois. Mais ils ne veulent plus non plus utiliser les voix génériques offertes par la technologie traditionnelle de synthèse vocale, une tendance qui s'est accélérée pendant la pandémie, car de plus en plus de clients ont ignoré les interactions en magasin pour dialoguer virtuellement avec les entreprises.

Si je suis Pizza Hut, je ne peux certainement pas ressembler à Domino's, et je ne peux certainement pas ressembler à Papa John's, déclare Rupal Patel, professeur à la Northeastern University et fondateur et PDG de VocaliD, qui promet de créer des voix personnalisées. qui correspondent à l'identité de marque d'une entreprise. Ces marques ont pensé à leurs couleurs. Ils ont pensé à leurs polices. Maintenant, ils doivent commencer à réfléchir à la façon dont leur voix sonne également.

Karen Hao, examen technique du MIT · Un exemple d'annonce VocaliD avec une voix masculine Karen Hao, examen technique du MIT · Un exemple de publicité VocaliD avec une voix féminine

Alors que les entreprises devaient auparavant embaucher différents acteurs de la voix pour différents marchés - le nord-est contre le sud des États-Unis, ou la France contre le Mexique - certaines entreprises d'IA vocale peuvent manipuler l'accent ou changer la langue d'une seule voix de différentes manières. Cela ouvre la possibilité d'adapter les publicités sur les plateformes de streaming en fonction de qui écoute, en modifiant non seulement les caractéristiques de la voix mais aussi les mots prononcés. Une publicité sur la bière pourrait dire à un auditeur de s'arrêter dans un pub différent selon qu'il joue à New York ou à Toronto, par exemple. Resemble.ai, qui conçoit des voix pour les publicités et les assistants intelligents, affirme qu'il travaille déjà avec des clients pour lancer de telles publicités audio personnalisées sur Spotify et Pandora.

Les industries du jeu et du divertissement en voient également les avantages. Sonantic, une entreprise spécialisée dans les voix émotives qui peuvent rire et pleurer ou chuchoter et crier, travaille avec des fabricants de jeux vidéo et des studios d'animation pour fournir les voix off de leurs personnages. Beaucoup de ses clients n'utilisent les voix synthétisées qu'en pré-production et passent à de vrais doubleurs pour la production finale. Mais Sonantic dit que quelques-uns ont commencé à les utiliser tout au long du processus, peut-être pour des personnages avec moins de lignes. Resemble.ai et d'autres ont également travaillé avec des films et des émissions de télévision pour corriger les performances des acteurs lorsque les mots sont brouillés ou mal prononcés.

Mais il y a des limites à la portée de l'IA. Il est encore difficile de maintenir le réalisme d'une voix sur les longues périodes de temps qui pourraient être nécessaires pour un livre audio ou un podcast. Et il est peu possible de contrôler les performances d'une voix IA de la même manière qu'un réalisateur peut guider un interprète humain. Nous en sommes encore aux débuts de la parole synthétique, déclare Zohaib Ahmed, fondateur et PDG de Resemble.ai, en la comparant à l'époque où la technologie CGI était principalement utilisée pour les retouches plutôt que pour créer des mondes entièrement nouveaux à partir d'écrans verts. .

Une touche humaine

En d'autres termes, les acteurs de la voix humaine ne s'en vont pas encore. Les projets expressifs, créatifs et de longue durée sont encore mieux réalisés par des humains. Et pour chaque voix synthétique fabriquée par ces entreprises, un acteur vocal doit également fournir les données de formation d'origine.

Mais certains acteurs sont de plus en plus inquiets pour leurs moyens de subsistance, a déclaré un porte-parole du SAG-AFTRA, le syndicat représentant les acteurs de la voix aux États-Unis. S'ils n'ont pas peur d'être automatisés par l'IA, ils craignent d'être injustement rémunérés ou de perdre le contrôle de leurs voix, qui constituent leur marque et leur réputation.

C'est maintenant le l'objet d'un procès contre TikTok intentée par la comédienne canadienne Bev Standing, qui allègue que la fonction de voix off intégrée à l'application utilise une copie synthétique de sa voix sans sa permission. L’expérience de Standing fait également écho à celle de Susan Bennett , la voix originale de l'Américaine Siri, qui a été payée pour ses premiers enregistrements, mais pas pour l'utilisation continue de sa ressemblance vocale sur des millions d'appareils Apple.

Certaines entreprises cherchent à être plus responsables de la manière dont elles interagissent avec l'industrie du doublage. Les meilleurs, dit le représentant de SAG-AFTRA, ont approché le syndicat pour trouver le meilleur moyen de rémunérer et de respecter les acteurs de la voix pour leur travail.

Histoire connexe

Ces faux humains effrayants annoncent une nouvelle ère de l'IA

Besoin de plus de données pour l'apprentissage en profondeur ? Les entreprises de données synthétiques le feront pour vous.

Plusieurs utilisent désormais un modèle de partage des bénéfices pour payer les acteurs chaque fois qu'un client licencie leur voix synthétique spécifique, ce qui a ouvert un nouveau flux de revenus passifs. D'autres impliquent les acteurs dans le processus de conception de leur ressemblance avec l'IA et leur donnent un droit de veto sur les projets dans lesquels elle sera utilisée. SAG-AFTRA fait également pression pour une législation visant à protéger les acteurs des répliques illégitimes de leur voix.

Mais pour Patel de VocaliD, le but des voix d'IA n'est finalement pas de reproduire les performances humaines ou d'automatiser le travail de voix off existant. Au lieu de cela, la promesse est qu'ils pourraient ouvrir des possibilités entièrement nouvelles. Et si à l'avenir, dit-elle, des voix de synthèse pouvaient être utilisées pour adapter rapidement des supports pédagogiques en ligne à différents publics ? Si vous essayez d'atteindre, disons, un groupe d'enfants du centre-ville, ne serait-il pas formidable que cette voix sonne comme si elle provenait de leur communauté ?

cacher