ElevenLabs: AI voice technology could be bigger revolution than the internet

Polski start-up ElevenLabs, założony przez dwóch absolwentów warszawskiego liceum, rozwija technologię sztucznej inteligencji, która potrafi generować naturalnie brzmiący ludzki głos. Jak przekonuje współzałożyciel firmy Mati Staniszewski, zmiany, które niesie ze sobą rozwój AI, mogą okazać się "potencjalnie większą rewolucją niż internet", a sama technologia ma w najbliższych latach całkowicie odmienić sposób, w jaki komunikujemy się i korzystamy z treści audio.

- Świat się zmienia, sztuczna inteligencja zmienia ten świat. Potencjalnie [jest to - red.] większa rewolucja niż internet - powiedział dla TVN24+ Mati Staniszewski, współzałożyciel firmy ElevenLabs.

ElevenLabs to firma, która buduje technologię głosu opartą na AI. Łączy research i produkt: buduje modele do audio, głosu, wytwarzania i rozumienia głosu oraz produkty, które mają zmieniać sposób komunikacji biznesu. Dziś należy do ścisłej czołówki europejskich spółek zajmujących się sztuczną inteligencją. Wyceniana jest obecnie na 11 mld dolarów.

Staniszewski: nie da się zatrzymać postępu technologicznego

AI głosowe może obsługiwać infolinie, przypominać o wizytach medycznych, tłumaczyć rozmowy w czasie rzeczywistym oraz umożliwiać tworzenie treści audio w różnych językach. Pojawiły się jednak obawy, że AI zastąpi część zawodów, szczególnie związanych z obsługą klienta czy pracą głosem.

- Widzimy kierunek, w którym ta część pracy, która jest wykonywana się zmieni - stwierdził założyciel ElevenLabs. - Jeszcze nigdy tak się nie wydarzyło, żeby można było zatrzymać postęp technologiczny. Więc nikt nie zatrzyma postępu AI - zaznaczył.

"Bardzo ważny temat"

Rozmówca został także zapytany o kwestie bezpieczeństwa technologii AI głosowego. Rozwój narzędzi takich jak te tworzone przez ElevenLabs otwiera ogromne możliwości, ale jednocześnie rodzi nowe zagrożenia. Technologia ta potrafi bardzo realistycznie odtworzyć głos człowieka.

- Bardzo ważny temat, którym się blisko zajmujemy i wiemy, że oczywiście za zmianą technologiczną, która się dzieje na świecie, będą ci źli gracze. Będą próbowali to wykorzystać w niecnych celach - stwierdził. Wyjaśnił, że jego firma stosuje systemy bezpieczeństwa, takie jak rozpoznawanie treści, moderacja, czy watermarking [cyfrowy znak wodny umieszczony w każdym nagraniu wygenerowanym przez Al - red.], które pozwalają rozpoznać, że dany głos został wygenerowany przez AI.

Staniszewski: to mogłoby znacząco ograniczyć ryzyko oszustw

Staniszewski podkreślił, że jednym z największych wyzwań związanych z rozwojem AI głosowego jest bezpieczeństwo. W tym celu ElevenLabs współpracuje z brytyjskim i amerykańskim instytutem bezpieczeństwa AI nad rozwiązaniami pozwalającymi wykrywać treści generowane przez sztuczną inteligencję.

Jedną z kluczowych inicjatyw jest wprowadzenie obowiązkowego watermarkingu. Jak podkreślił, taki znacznik pozostaje niesłyszalny dla człowieka, ale może zostać wykryty przez odpowiednie oprogramowanie, które rozpozna, że dany głos został stworzony przez sztuczną inteligencję.

Zdaniem Staniszewskiego upowszechnienie tego rozwiązania mogłoby znacząco ograniczyć ryzyko oszustw i nadużyć, ponieważ umożliwiałoby instytucjom, operatorom telekomunikacyjnym czy bankom szybkie odróżnianie syntetycznych głosów od autentycznych rozmów.

Jednocześnie zwrócił uwagę na istotne ograniczenie tego rozwiązania. Nawet jeśli część firm wdroży watermarking i zaawansowane mechanizmy bezpieczeństwa, pozostaje problem modeli tworzonych przez podmioty, które nie są zainteresowane stosowaniem takich zabezpieczeń. Wskazał między innymi na niektóre modele rozwijane w Chinach, które mogą funkcjonować bez cyfrowych znaków wodnych i innych systemów kontroli.