Jak AI klonuje nasze głosy?

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 to jest coś, co już jest możliwe. Więc tak, Mody Polski się pojawi właśnie w tym miesiącu i prawdopodobnie te proste, szybkie klonowanie w najbliższych tygodniach po. Chociaż myślimy, że może nam się uda kilka trików, żeby to jakby przyspieszyć też w deploymentzie. Jasne. A patrząc na landscape związany z branżą właśnie generative AI, czy uważasz, że... bo wiele osób twierdzi, że to co się dzieje obecnie po prostu to jest ogromny wyścig zbrojeń, ale tak naprawdę te paradygmaty zmieniają się z dnia na dzień. Po tygodniu to mamy... czasami już wielkie rewolucje. W waszym wypadku wy jesteście, jak sam powiedziałeś, małą organizacją, czy wręcz nawet bardzo małą, no bo siedem osób nawet, no to jest przy skali laboratoriów R&D dużych korpo technologicznych, no to jesteście naprawdę bardzo niewielkim podmiotem.

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.

Ktoś zaczął publikować tam informacje, które były przygotowane, to były jakieś sklonowane głosy chyba celebrytów. Powiedz mi, czy Wy macie jakąś u siebie chęć do też podziałania, czy też stworzenia jakiejś komórki związanej z etyką, wiesz, z takimi rzeczami, które będą Was ukierunkowywały, na przykład czego nie chcecie robić, albo na przykład z jakiego typu firmami nie podejmujecie współpracy ze względu na potencjalne ryzyko. Czy jesteście świadomi tego, że Wasza technologia może służyć niestety też celom, które nie chyba są niezbyt przewidziane przez Was na samym początku? Tak, są na pewno i tak jak widzimy po naszych siostrach, bratach z innych z fejsów AI, z każdą z tych innowacji pojawiają się rzeczy, które są nowe i trzeba na bieżąco

I tak jakby docelowo myślimy właśnie w tych trzech kategoriach. Pierwsza to jest accountability, czyli to, co tworzysz na platformie, koniec końców jest twoją odpowiedzialnością i jeżeli robisz coś nielegalnego, to mamy urządzenie, żeby to znaleźć. Potem jest traceability, czyli właśnie ten drugi element, że jesteśmy w stanie znaleźć już teraz każdą próbkę głosu i zobaczyć, które konto wygenerowało tą próbkę. I potem trzecie i tak naprawdę w każdej z tych dziedzin to będzie jedno z najważniejszych, to jest education. I education zarówno dla osób, które produkują kontekst, ale też osób, które konsumują ten content. I wiesz, jak sobie wyobrażamy przyszłość tych kilku lat, gdzie tego contentu o AI generator będzie właśnie przez wszystkie te space'y tylko więcej i trzeba zarówno dla osób, które tego słuchają,

i wprowadzić kilka rzeczy, które albo otaguje te rzeczy, albo będzie wiadomo, kiedy jest AI, kiedy nie jest AI, ale też będzie, wiesz, tak jak z Photoshopem, w pewnym momencie takie obrócenie, że niektóre rzeczy nie są real, niektóre są real i trzeba o tym pamiętać. Wow, znaczy bardzo jestem zaskoczony pozytywnie, że już tak dużo rzeczy, które wymieniłeś, nad nimi pracujecie, bo wiele startupów, z którymi rozmawiam na samym początku, kiedy szczególnie to jest coś, co jest hot i wszyscy chcą... ten produkt czy tę usługę, no to przede wszystkim koncentrują się na zarabianiu pieniędzy. Odpowiedzialność, kwestie etyczne, to się gdzieś tam pojawia, ale raczej jak jest w wyniku nacisku, czy jakiegoś właśnie skandalu, afery, która się pojawia.

I wiemy, że ta wariacja emocji, która może produkować głos wzrośnie i będzie lepsza. Drugie to jest prawdopodobnie muzyka. Będziemy widzieć dużo więcej rzeczy, takich audio, które jest w stanie wytworzyć super muzykę na podstawie tekstu czy na podstawie poprzedniego audio. I trzecia kategoria i ta, w której ta muzyka to jest troszeczkę bardziej pokrewna do naszej. Oczywiście są związane modelowe rzeczy, ale nie w dużym stopniu. I trzecia i to jest ta, w której chcemy podziałać, to jest automatyczny AI dubbing. To znaczy... Zaczynamy z kwestii na przykład jak prowadzimy ten podcast dzisiaj i potem klikamy guzik i mamy dokładnie te same głosy, emocje, intonacje dostępne w przynajmniej kilku językach. Nie wierzę. Niemożliwe.