Ce înseamnă Clonarea vocii
Clonarea vocii înseamnă crearea unei copii digitale a vocii cuiva. După ce a „ascultat” câteva înregistrări cu o persoană, un model AI poate rosti orice text cu timbrul, accentul și ritmul ei. Pentru unele sisteme sunt suficiente câteva zeci de secunde de audio clar.
Tehnologia are utilizări valoroase: persoanele care își pierd vocea din cauza unei boli își pot „salva” vocea din timp, actorii își pot dubla filmele în alte limbi cu propria voce, iar creatorii pot corecta o greșeală dintr-o înregistrare fără să o refacă. Același instrument poate fi însă folosit pentru fraudă.
Cum funcționează
Un model de sinteză vocală antrenat pe mii de voci a învățat ce înseamnă vorbirea în general. Din înregistrările persoanei-țintă extrage o „amprentă” a vocii (un embedding), iar apoi generează vorbire nouă respectând acea amprentă. Cu cât înregistrările sunt mai multe și mai curate, cu atât copia este mai convingătoare.
Pe înțelesul tuturor
Este ca un imitator talentat de la televizor, care după ce te-a ascultat câteva minute îți poate imita vocea spunând lucruri pe care nu le-ai spus niciodată. Diferența e că AI-ul face asta oricând, la scară mare.
Exemplu
Țepele telefonice de tipul „mamă, am făcut un accident, am nevoie urgent de bani” sunt cunoscute în România de mult timp. Cu o voce clonată din clipurile publicate pe rețelele sociale, apelul devine mult mai credibil. O apărare simplă: stabilește în familie un cuvânt-cod și, la orice cerere urgentă de bani, închide și sună tu înapoi persoana, la numărul știut.
De reținut
- Câteva secunde de audio public pot fi suficiente pentru o clonă convingătoare.
- Vocea singură nu mai este o dovadă sigură de identitate.
- Serviciile serioase cer consimțământul persoanei a cărei voce este clonată.
Nu confunda
- Clonarea vocii vs. text-to-speech: orice clonă de voce folosește sinteză vocală, dar nu orice sinteză vocală imită o persoană reală.
Termeni înrudiți
- Text-to-speech (sinteză vocală): Tehnologie care citește cu voce tare un text scris, generând vorbire artificială tot mai naturală.
- Deepfake: Imagine, video sau înregistrare audio falsă, creată cu AI, în care o persoană pare să spună sau să facă ceva ce nu a făcut.
- Dezinformare generată cu AI: Informații false create sau răspândite cu ajutorul AI: articole, imagini, voci și video-uri false, produse rapid și în volum mare.
- Speech-to-text (recunoaștere vocală): Tehnologie care transformă vorbirea dintr-o înregistrare sau de la microfon în text scris.
- Watermark pentru conținut AI: Un semn vizibil sau ascuns adăugat în textele, imaginile, sunetele sau video-urile generate de AI, ca să poată fi recunoscute ulterior.