Mentionsy Mentionsy
TECHNOFOBIA
TECHNOFOBIA

Jak AI klonuje nasze głosy?

20.03.2023 ·25 min 31 s

Rozmawiam z Mateuszem Staniszewskim o tym jak jego spółka Eleven Labs szturmem wdarła się na rynek usług opartych o generowanie głosu za pomocą algorytmów. Już dzisiaj każdy z nas może sklonować swój głos aby czytać w obcym języku - a co będzie jutro? Zapraszam do wysłuchania całej rozmowy. Jeśli spodoba Ci się ten odcinek to zapraszam do bezpłatnej subskrypcji mojego newslettera o technologii

Dzień dobry, witam bardzo serdecznie, nazywam się Artur Kurasinski, a dzisiaj mega, mega gość, osoba, którą czekałem bardzo długo, dlatego że po prostu było to mega warte. Cześć Mateuszu. Cześć Arturze, wielkie dzięki za możliwość rozmowy z Tobą, też jestem bardzo podekscytowany nad tym, nad czym możemy porozmawiać dzisiaj. Super, czy mógłbyś Mateuszu się przedstawić, powiedzieć jaką firmę reprezentujesz? Jestem jednym z cofanderów Eleven Labs, firmy, którą zaczęliśmy budować na początku poprzedniego roku, razem z moim wspólnikiem Piotrkiem i chętnie opowiem więcej. Dobrze. No to właśnie, Was dwóch, nagle się okazuje, że jesteście jedną z najgorętszych spółek związanych z Generative AI, o których słyszę, spółka w dodatku z Polski, posiadająca już aniołów biznesu i nagle cały świat z tego, oczywiście mówię, to jest moja interpretacja, okoliczności przyrody mi mówią, że naprawdę macie bardzo, bardzo, bardzo dobrą technologię u siebie.

Z drugiej strony dubbing często jest niskiej jakości albo w ogóle nie jest, blokując dostęp do wszystkiego przez edukację po entertainment. I narodził nam się pomysł, z tym co wiedzieliśmy, jest możliwe w tym space voice AI, że możemy to rozwiązać, że w przyszłości za kilka lat to będzie wyglądało tak, że każda treść, czy to jest tekstowa, czy to jest audio treść, będzie na przycisku guzika dostępna w każdym języku, w każdym głosie, z tą samą wysoką jakością. I postanowiliśmy zakończyć swoje prace z Googlem, z Palantirem i zacząć przygodę z Eleven Labs, żeby to rozwiązać. Oczywiście wiele innych komponentów i problemów po drodze, ale docelowo, żeby umożliwić każdą część dostępną przez języki, przez głosy dla każdego.

I tak sobie myślimy, że to będzie ten pierwszy defaultowy mod przez najbliższe miesiące. Natomiast w pewnym okresie to się zamieni, że zamiast tworzyć ten content, będziesz mógł słuchać tego contentu bez jakichkolwiek zmian w prawie idealnej jakości, czyli powiedzmy ty jako Artur otwierasz książkę Harry'ego Pottera i postanowisz, że chcesz ją mieć przesłuchaną głosem swojej babci czy swojego dziadka i bez żadnych poprawek czyta ci ta osoba książkę i to myślę, że to jest taki drugi krok w tym jakby on demand, a trzeci i tutaj wiesz jest to połączenie o czym mówisz, czyli połączenie modelów tekstowych, modelów też do obrazu jest kreowanie na bieżąco nowego świata. Czyli powiedzmy, czytamy książkę Harry'ego Pottera i teraz nagle zaczynasz wchodzić w ten świat, to nie zostało napisane, możesz interaktować z postaciami z Harry'ego Pottera, może w ogóle nowe postacie się pojawiają i oczywiście dla tego wszystkiego i tekst, i głos, i obrazek jest mega ważne i mamy nadzieję, że Eleven Labs będzie tą częścią głosową, która też będzie mogła wytworzyć te charaktery na bieżąco.

Creatorzy, czyli właśnie osoby indywidualne, które tworzą voice-overy pod filmiki na YouTubie, pod TikToki, czy voiceują swoje własne blogi i artykuły. Pod publishing... I tutaj mówimy o skali właśnie książek, artykułów, które są publikowane jako firma, gdzie tych artykułów jest na bieżąco wiele dziennie, ale nie mają audio i my możemy wkroczyć, żeby pomóc tym audio, czy właśnie audiobooki na szeroką skalę, żeby pomóc zvoiceować więcej tytułów, które by nie miały takiej możliwości wcześniej. To jest przepiękne. Ja od razu tutaj wrzucę pewną prywatę. Trzy osoby mnie prosiły, jak dowiedziały się, że będę z Tobą rozmawiał. Pytanie o język polski. Kiedy będziemy mogli w Eleven Apps wrzucić, sklonować swój głos i poprosić go, żeby on przemawiał w języku polskim?

Czy, tak się zapytam, czy nie boicie się tego, że ktoś duży wjedzie z jakimś swoim rozwiązaniem, które jest przetrenowane na o wiele większych ilościach danych, i będzie wam robiło pod górkę, będzie waszą konkurencją? Czy to jest tak, że to co wy macie u siebie jest tak świetnym pomysłem, który bardzo ciężko będzie komukolwiek zrobić, nawet posiadającym ogromne ilości danych i ogromne zaplecze sprzętowe do trenowania? Ciekawe pytanie i oczywiście mamy z tyłu głowy, że że duże firmy, czy właśnie research laby szczególnie, mają resource i mają też często możliwość zgarnięcia dodatkowego talentu, ale na ten moment bardziej nas to przyspieszy, w sensie chcemy bardziej działać.

Wiemy, że nasza luka, okienko, żeby stworzyć coś totalnie nowego jest ograniczona, ale jest ta luka i możemy to zrobić. Jest na tyle ciekawie w tym generative AI space głównie to, że jest bardzo dużo pracy, która została zrobiona z tekstem. Bardzo dużo, która została zrobiona z obrazem i tak naprawdę bardzo mała część, która została z głosem. Więc naprawdę wierzymy, że w najbliższym i to mam nadzieję, że już w tym roku coś takiego nam się uda, że stworzymy i 11 Labs będzie synonimem właśnie z Research Labem, który zajmuje się głosem i robi to najlepiej. i mamy nadzieję, że kiedyś pójdzie to samo pytanie do OpenAI, czy się nie boją, że 11 lat... Lubię, lubię takie rzeczy.

Pokazano wszystkie 6 dopasowań. Transkrypcja generowana automatycznie i niesprawdzana ręcznie — może zawierać błędy.