Synthesia-ն TechCrunch-ի լրագրողի ինտերակտիվ AI ավատար է ստեղծել

Բրիտանական Synthesia ստարտափը, որի գնահատականը 4 միլիարդ դոլար է, TechCrunch-ի լրագրողի համար ինտերակտիվ AI ավատար է ստեղծել։ Վենչուրային կապիտալի մասին գրող Դոմինիկ-Մադորի Դևիսը սեպտեմբերի 26-ին հրապարակված հոդվածում նկարագրել է գործընթացը. ավատարը մարզվել է նրա մեկ հոդվածով և պատասխանում է միայն այդ հոդվածի մասին հարցերին։ Ըստ Դևիսի՝ սա առաջին ավատարն է, որ Synthesia-ն ստեղծել է լրագրողի համար, և առաջին դեպքը, երբ ընկերությունն ավատար է պատրաստել ընկերությունից դուրս մեկի համար, բացի կորպորատիվ հաղորդակցության ղեկավար Ալեքսանդրու Վոյիկայից։

Երկու րոպե ձայն և մի քանի օր աշխատանք

Նյութը լրագրողը ձայնագրել է Նյու Յորքում գտնվող Synthesia-ի նոր գրասենյակի փոքրիկ կինոստուդիայում։ Թիմը նրա բազմաթիվ լուսանկարներ է արել և ձայնագրել երկու րոպե ձայն, իսկ ավատարների ստեղծման համար նա տվել է համաձայնություն։ Ընկերությունը պատրաստել է անձնական ավատար, որը կարդում է իրեն տրված ցանկացած տեքստ, և ինտերակտիվ ավատարներ, որոնք կարող են լսել ու պատասխանել՝ ակնոցով և առանց ակնոցի տարբերակներով։ Աշխատանքը տևել է մի քանի օր։

Ինչպես է ավատարը պատասխանում

Ինտերակտիվ ավատարը միավորում է չորս բաղադրիչ՝ խոսքը տեքստի վերածող մոդել, գործակալային լեզվական մոդել, տեքստը ձայնի վերածող համակարգ և վիդեոմոդել, որը կենդանացնում է դեմքը։ Վիդեո և ձայնային մոդելները Synthesia-ի սեփականն են, սակայն հաճախորդները կարող են ընտրել Cartesia-ի, ElevenLabs-ի, Google-ի կամ OpenAI-ի գործիքները և արդյունքը տեղադրել սեփական ամպում։ Ավատարը դետերմինիստական է. անձնական հարցերին, որոնք չեն եղել նրա մարզման նյութերում, նա զրույցը վերադարձնում էր հոդվածին։ Դևիսը գրել է, որ ընկերները ձայնը համարել են հետաքրքիր և միաժամանակ տարօրինակ, իսկ մայրը կատակել է. «Չեմ հիշում, որ քեզնից երկուսը ծնած լինեմ»։

Բիզնեսը ցուցադրությունից այն կողմ

Synthesia-ն երեք տեսակի ապրանք է վաճառում։ Առաջին հարթակը գրավոր տեքստերը դասական ավատարներով վիդեոների է վերածում։ Sessions անունով գործակալային հարթակը թույլ է տալիս աշխատակիցներին ավատարների հետ զրուցել հարցումների կամ դերային սեսիաների ժամանակ, որտեղ նրանք մարզում են վաճառքի ներկայացումները և ստանում պատասխանների գնահատական։ Երրորդ ապրանքը API-ի վրա է հիմնված և թույլ է տալիս ընկերություններին համադրել Synthesia-ի վիդեո ու ձայնային մոդելները այլ տեխնոլոգիաների հետ։ Ընկերությունը մրցում է D-ID-ի, HeyGen-ի և Colossyan-ի հետ. անցյալ տարի նա հայտարարել է, որ տարեկան կրկնվող եկամուտը գերազանցել է 100 միլիոն դոլարը, իսկ այս տարվա սկզբին հասել է 4 միլիարդ դոլարի գնահատականի։

Վստահությունը՝ որպես բաց հարց

Դևիսը գրել է, որ թվային երկվորյակների նկատմամբ հակասական զգացումներ ունի։ Նա տեսնում է աշխատանքի համար ինքն իրեն կրկնօրինակելու գրավչությունը և ավատարները համարում է ավելի քիչ անհանգստացնող, քան մարդանման ռոբոտները, սակայն կասկածում է, որ վստահությունը՝ լրագրության հիմքը, հնարավոր է փոխանցել ծրագրին։ Քանի որ ավատարը դետերմինիստական է, այն երբեք չի իմպրովիզացնում. ըստ Դևիսի՝ ոչ դետերմինիստական տարբերակը, որն ազատորեն կխոսի, կարող է անառողջ կապվածություն առաջացնել։ Մի ներդրող, ում հետ նա խոսել է, կտրականապես մերժել է ավատարներով լրատվական հաղորդավարների գաղափարը, իսկ մյուսները վստահ չէին։