David Greene irrati-osatzaileak dio Google-ren NotebookLM tresnak ahotsa lapurtu diola

David Greene NPRko ostalari beteranoak publikoki leporatu dio Google-ri bere ahotsa baimenik gabe klonatzea NotebookLM Audio Overview eginbide birikoarengatik. Salaketak argi jartzen du eduki-sortzaile eta enpresa-jabe guztiek egin beharko luketen galdera bati buruz: nor da benetan zure ahotsa, zure marka eta zure identitatea AI sortzailearen garaian?

Zer gertatu da David Greene eta Google NotebookLM-ren artean?

David Greene-k urteak eman zituen NPRren Morning Editionko aurkezle gisa, Estatu Batuetan gehien entzuten den irratsaioetako bat. Bere ahotsa berehala ezagutzen dute milioika entzulerentzat. Google-k NotebookLM-ren Audio Overview eginbidea abiarazi zuenean 2024 amaieran, tresna azkar bihurtu zen kargatutako dokumentuak AI-ren bidez sortutako bi ostalariren arteko podcast estiloko elkarrizketa harrigarri natural bihurtzeko gaitasunagatik.

Greene-k eta entzule askok kezkagarria den zerbait nabaritu zuten: AI-k sortutako ahotsetako batek antz nabarmena zuen Greeneren ahots-kadentzia, tonu eta estiloarekin. Greenek publikoki adierazi zuen ez bera ez bere ordezkariekin Google-k ez zuela inoiz harremanetan jarri baimenik, lizentziarik edo kalte-ordainik jasotzeko. Google-k ukatu zuen ahotsa edozein pertsona zehatzen arabera moldatu zela, bere ahotsak guztiz sintetikoak direla eta ez direla benetako pertsonen nahita erreplikak.

Asmoa edozein izanda ere, gertaerak komunikabideetan, entretenimenduetan eta negozioetan sortzen ari den beldurra kristalizatu zuen: audio publikoko datu multzo zabaletan trebatutako AI sistemek norbaiten antza nahikoa hurbil erreproduzi dezakete benetako kaltea sortzeko, enpresa batek nahita klonatzea onartzen duen ala ez.

Zergatik arduratu behar zaie enpresa-jabeei AI ahots-klonazioa?

Hau ez da ospetsuen arazoa soilik. Enpresa bat zuzentzen baduzu, edukia ekoizten baduzu, podcast bat antolatzen baduzu edo prestakuntza-bideoak grabatzen badituzu, zure ahotsa eta marka-identitatea aktibo komertzialak dira. Greene kasuak erakusten du zein azkar erreplikatu, birbanatu edo debaluatu daitezkeen aktibo horiek zuk jakin gabe.

• Publizitate-eskubidea arriskuan dago: AEBetako estatu askok pertsonak babesten dituzte beren irudiaren erabilera komertziala baimenik gabe, ahotsa barne. AI bidez sortutako ahots itxurakoek babes horiek urratu ditzakete.
• Prestakuntza-datuen opakutasuna: AI-ko enpresa gehienek ez dute zehatz-mehatz zein audio-grabazio erabiltzen diren ezagutarazten ahots-sintesi-ereduak trebatzeko, eta sortzaileak ilunpean uzten dituzte euren lana kontsumitu den ala ez jakiteko.
• Oraindik ez dago AIaren ahots-lege federalik: Hainbat estatuk AI deepfakeak eta ahots-erreplikak bideratzen dituen legeria aurkeztu edo onartu duten arren, ez dago estandar federal osorik, babes multzo bat sortuz.
• Markaren konfiantzaren higadura: bezeroek edo ikus-entzuleek inoiz onartzen ez dituzun produktuak edo ideiak sustatzen dituen zurea bezalako AI ahotsa entzuten badute, ondoriozko nahasketak gogor irabazitako markaren sinesgarritasuna kaltetu dezake.
• Aisialdi-greben aurrekariak: 2023ko SAG-AFTRA eta WGA-ko grebak AI-aren erreprodukzioa lan-negoziazioen erdigunean jarri zuen lan-negoziazioen erdian, eta ezarri zuen ahotsaren eta itxuraren babesak negozioaren kezka nagusia direla, eta ez teoria juridiko-nitxo bat.

Nola funtzionatzen du NotebookLM-ren audioaren ikuspegi orokorrak?

Google-ren NotebookLM-ri esker, erabiltzaileek dokumentuak karga ditzakete, hala nola PDFak, artikuluak eta oharrak, eta, ondoren, elkarrizketa-audio-laburpena sortzen du, materiala eztabaidatzen duten bi AI ostalarirekin. Teknologia hizkuntza-eredu handietan oinarritzen da gidoia sortzeko eta ahotsa ekoizteko testu-ahots-sintesi aurreratua. Google-k dio ahotsak datu sintetikoetatik eraikita daudela, ez identifika daitezkeen pertsonaetatik klonatuta.

Hala ere, testu-hizketarako eredu modernoak grabatutako hizkeraren corpus izugarrietan trebatzen dira. Azken irteerako ahotsa bat-bateko klona ez bada ere, milaka orduko benetako giza hizkeraren eraginak ezinbestean moldatzen du emaitza. Kritikaren ustez, horrek "sintetikoa" eta "klonatua" arteko bereizketa semantikoago egiten du substantiboa baino. Irteera benetako pertsona baten ahotsetik bereizten ez denean entzule eta lankide trebatuentzat, eragin praktikoa berdina da.