Synthesia TechCrunch müxbirinin bir məqalə ilə öyrədilən AI avatarını hazırlayıb

Synthesia, 4 milyard dollar dəyərində qiymətləndirilən britaniyalı rəqəmsal avatar startapı, TechCrunch müxbirinin interaktiv AI avatarını hazırlayıb. Vençur kapitalı mövzusunda yazan Dominic-Madori Davis 26 sentyabrda dərc olunan məqaləsində prosesi təsvir edib: avatar onun bir yazısı əsasında öyrədilib və yalnız həmin yazı ilə bağlı suallara cavab verir. Davisin sözlərinə görə, bu, Synthesia-nın jurnalist üçün hazırladığı ilk avatar və şirkətin korporativ kommunikasiya rəhbəri Alexandru Voica istisna olmaqla, kənar şəxs üçün yaratdığı ilk avatardır.

İki dəqiqə səs, bir neçə gün iş

Müxbir materialı Synthesia-nın Nyu-Yorkdakı yeni ofisindəki kiçik kinostudiyada yazıb. Komanda onun çoxsaylı fotoşəkillərini çəkib və iki dəqiqəlik səs nümunəsi yazıb; avatarların hazırlanması üçün razılıq tələb olunub. Şirkət ona verilən istənilən mətni oxuyan fərdi avatar və dinləyib cavab verə bilən interaktiv avatarlar hazırlayıb; hər variant eynəkli və eynəksiz formada edilib. İş bir neçə gün çəkib.

Avatar necə cavab verir

İnteraktiv avatar nitqin mətnə çevrilməsi, agent əsaslı dil modeli, mətnin səsə çevrilməsi və üzü canlandıran video modelini birləşdirir. Video və səs modelləri Synthesia-nın özünə məxsusdur, lakin müştərilər Cartesia, ElevenLabs, Google və ya OpenAI alətlərini seçə və nəticəni öz buludlarında yerləşdirə bilərlər. Avatar deterministdir: təlim materialına daxil olmayan şəxsi suallara cavab olaraq söhbəti hər dəfə yazıya qaytarırdı. Davis yazır ki, dostları səsi həm maraqlı, həm də ürpərdici tapdılar, anası isə zarafatla dedi: "Səndən iki dənə doğduğumu xatırlamıram".

Nümayişdən kənar biznes

Synthesia üç növ məhsul satır. İlk platforma yazılmış mətnləri klassik avatarlarla videoya çevirir. Sessions adlı agent platforması işçilərin sorğularda və ya rol oyunu sessiyalarında avatarlarla danışmasına imkan verir; belə sessiyalarda onlar satış təqdimatlarını məşq edir və cavablarına bal alırlar. Üçüncü məhsul API əsaslıdır və şirkətlərə Synthesia-nın video və səs modellərini digər texnologiyalarla birləşdirməyə imkan verir. D-ID, HeyGen və Colossyan ilə rəqabət aparan şirkət keçən il 100 milyon dollar illik təkrarlanan gəliri keçdiyini bildirmişdi və bu ilin əvvəlində 4 milyard dollar dəyərə çatıb.

Açıq sual: etimad

Davis rəqəmsal əkizlərə qarşı qarışıq hisslər keçirdiyini yazır. O, iş üçün özünün kopyasını yaratmağın cəlbediciliyini görür və avatarları humanoid robotlardan daha az narahat edici hesab edir, amma jurnalistikanın əsası olan etimadın proqrama həvalə oluna biləcəyinə inanmır. Avatarı determinist olduğu üçün heç vaxt improvizasiya etmir; Davisin fikrincə, sərbəst danışa bilən determinist olmayan versiya sağlam olmayan bağlılıq yarada bilər. Söhbət etdiyi bir investor xəbər aparıcılarının avatar olması fikrini qətiyyətlə rədd etdi, digərləri isə tərəddüd edirdi.