Sztuczna inteligencja przywraca głos kobiecie po 25 latach milczenia

Sarah Ezekiel, artystka z północnego Londynu, w wieku 34 lat usłyszała diagnozę – stwardnienie zanikowe boczne (SLA). Choroba, postępująca i wyniszczająca układ nerwowy, doprowadziła do paraliżu mięśni języka, ust i gardła, a w konsekwencji – do utraty mowy. Był to szczególnie trudny moment, ponieważ Sarah spodziewała się drugiego dziecka.

Przez lata, Sarah komunikowała się ze światem za pomocą komputera i syntezatora mowy. Jednak generowany głos był daleki od jej naturalnego brzmienia. Jej dzieci, Aviva i Eric, dorastały nie znając barwy głosu matki.

W ostatnich latach, rozwój technologii umożliwił tworzenie komputerowych wersji ludzkich głosów na podstawie nagrań. Dotychczas, metoda ta wymagała jednak długich i dobrej jakości próbek audio. Simon Poole z brytyjskiej firmy Smartbox, zajmującej się komunikacją medyczną, przyznaje, że nawet wtedy rezultaty bywały „płaskie i monotonne”.

Smartbox poprosił Sarah o udostępnienie godzinnego nagrania jej głosu. Obecnie, osobom zagrożonym utratą mowy zaleca się profilaktyczne nagrywanie swojego głosu, aby zachować „tożsamość” i możliwość komunikacji. Jednak w erze przed smartfonami, dostęp do odpowiednich nagrań bywał problematyczny. Sarah zdołała odnaleźć jedynie krótkie nagranie niskiej jakości.

Odnaleziony klip wideo z lat 90. trwał zaledwie osiem sekund, był zaszumiony i zakłócony odgłosami telewizora. Poole, sceptycznie nastawiony do możliwości wykorzystania tak słabego materiału, zwrócił się o pomoc do ElevenLabs, nowojorskiej firmy specjalizującej się w głosach generowanych przez sztuczną inteligencję. Ich technologia potrafi odtworzyć głos na podstawie minimalnej ilości danych, a także nadać mu bardziej ludzkie brzmienie.

Wykorzystano narzędzie AI do wyizolowania próbki głosu z nagrania, a następnie użyto innego algorytmu, wytrenowanego na prawdziwych głosach, aby wypełnić luki i nadać mu naturalność. Efekt przeszedł najśmielsze oczekiwania. Wygenerowany głos był bardzo zbliżony do oryginalnego głosu Sarah, z jej londyńskim akcentem i lekkim seplenieniem, którego kiedyś nie lubiła.

„Wysłałem jej próbki, a ona odpisała mi w e-mailu, że prawie się popłakała, kiedy je usłyszała” – relacjonuje Poole. „Powiedziała, że puściła nagranie swojemu przyjacielowi, który znał ją, zanim straciła głos, i że to było jak odzyskanie własnego głosu”.

Brytyjskie Stowarzyszenie Choroby Neuronalnej Ruchowej szacuje, że aż 80% osób cierpiących na SLA doświadcza problemów z głosem po diagnozie. Dotychczasowe syntezatory mowy generowały dźwięki o „robotycznym” brzmieniu.

„Prawdziwy postęp, jaki przynosi nowa technologia AI, polega na tym, że głosy są naprawdę ludzkie i ekspresyjne, i po prostu przywracają człowieczeństwo głosowi, który wcześniej brzmiał trochę komputerowo” – wyjaśnia Poole. Personalizacja głosu to sposób na zachowanie tożsamości. „Szczególnie jeśli nabywasz chorobę w późniejszym okresie życia i tracisz głos, możliwość mówienia własnym głosem jest naprawdę bardzo ważna, zamiast używania jakiegoś gotowego głosu” – dodaje.