AI, който говори с истински човешки глас - чете, клонира, дублира. И точно затова гласът вече не е доказателство само по себе си.
ElevenLabs е основана през 2022 година от двама разработници от Полша - единият бивш инженер в Google, другият идва от Palantir, компания за анализ на данни. Историята, която разказват сами, е простичка: гледали американски филми с лош дублаж в Полша и им писнало от плоските, чужди гласове върху устните на актьорите. Решили да построят модел, който говори живо - с интонация, с дишане, с пауза на правилното място, не просто четящ текст на глас.
На практика продуктът е няколко неща в едно. Пишеш текст, системата го изчита с избран глас и звучи като жив човек, не като говорител от навигация. Даваш кратък запис от нечий глас, тя го учи и после може да произнесе всяко изречение с този глас. И най-впечатляващото - взима видео на един език и го връща на друг, като запазва гласа, тембъра и дори емоцията на говорещия, вместо да го замени с чужд дубльор.
Ползват го студия, които дублират филми и сериали за части от времето и бюджета на класическия дубльорски цех. Ползват го автори на подкасти и аудиокниги, които нямат бюджет за студио с актьор. Ползват го компании, които слагат гласов асистент на телефонната линия вместо жив човек. И тук е мястото, където компанията се превръща в инфраструктура: не прави съдържание, само дава гласа, върху който строят други.
Клонирането е частта, която трябва да те притесни. Не иска студио, не иска седмици запис - достатъчен е кратък аудио файл, взет откъде да е, за да излезе синтетичен глас, който минава за истински пред човешко ухо. Вече имаше случаи с фалшиви обаждания от 'роднина в беда' и фалшиви гласови съобщения от политици, направени именно с такива инструменти. ElevenLabs има филтри и правила за съгласие на собственика на гласа, но веднъж пусната технологията, копия минават и през по-разхлабени клонинги без филтри.
Тук личи класата
Като човек, който трийсет години слуша какво продава марка и какво продава доверие, гледам на ElevenLabs с две ръце едновременно. С едната ръка - възхищение, защото инструментът е истински полезен и отваря врати за хора без бюджет за студио. С другата - тревога, защото сме построили десетилетия усет 'познавам гласа му, значи е той', а сега този усет вече не важи автоматично.
Токът не е в самата компания - тя пази правила. Токът е в това, че технологията вече е достатъчно достъпна, за да я вземе и някой без правила. Когато чуеш глас по телефона занапред, добре е да питаш нещо, което само истинският човек би знал, преди да повярваш сляпо.