AI v telefóne prejavuje empatiu, zvládne aj nahnevaného volajúceho. Živý operátor je ale v call centre kľúčová poistka
Spoločnosť ElevenLabs sa vyprofilovala na jedného z najvýznamnejších globálnych hráčov v oblasti spracovania zvuku prostredníctvom umelej inteligencie. Jej technológie umožňujú vytvárať mimoriadne realistické syntetické hlasy, ktoré dokážu rozprávať v takmer sedemdesiatich jazykoch vrátane slovenčiny a vierohodne prenášať ľudské emócie, smiech či povzdychy.
O podrobnostiach a špecifikách hovoril Leander Zapheriou z ElevenLabs. Podľa jeho slov je pre spoločnosť komunikácia a konektivita absolútnou prioritou, čo znamená podporu nielen hlavných európskych jazykov, ale aj menších, ako je maďarčina či slovenčina.
Modely zvládnu desiatky jazykov
„Naše prvé modely zvládali približne 10 až 15 jazykov. Neskôr sme to rozšírili na 32 jazykov v modeloch Flash a Turbo a naše najnovšie modely ich zahŕňajú už okolo sedemdesiat,“ uviedol Zapheriou s tým, že posledný model zvládne viac ako 90 jazykov.
Model V3 podľa neho dokáže rozumieť aj zvukom, ako je kašeľ, smiech či povzdych, a to naprieč všetkými podporovanými jazykmi. Spoločnosť predstavila aj model V4, ktorý označuje za svoj najvýkonnejší model prevodu textu na reč.
Dve hodiny nahrávok stačia na klon hlasu
Pri otázke, ako sa trénuje hlas umelej inteligencie pre konkrétny jazyk, Zapheriou upozornil, že treba rozlišovať obchodnú a výskumnú stránku spoločnosti. Spôsob vývoja modelov patrí výlučne výskumnému tímu a väčšina zamestnancov k týmto informáciám nemá prístup.
Pri generovaní výstupu však ElevenLabs ponúka takzvané profesionálne hlasové klony. „Potrebujeme približne dve hodiny nahrávok daného hlasu a na ich základe dokážeme vytvoriť skutočne kvalitný syntetický výstup,“ priblížil. Takýto výstup si podľa neho zachováva nuansy a charakteristiky daného hlasu naprieč rôznymi jazykmi.
Kaskádový prístup namiesto priameho prevodu
Na rozdiel od prístupu, ktorý zvolila OpenAI a ktorý robí priamy prevod reči na reč, ElevenLabs pri konverzačnej umelej inteligencii a inteligentných agentoch využíva takzvaný kaskádový prístup. Ten zahŕňa prevod reči na text, detekciu aktivity hlasu, striedanie hovorcov a spracovanie tónu až po prevod textu späť na reč.
„Model prevodu reči na text má u nás najnižšiu latenciu, najvyššiu presnosť a plne vníma kontext. A práve preto, že rozumie kontextu, dokážeme pri generovaní výsledného hlasu obsiahnuť širokú škálu emócií,“ vysvetlil Zapheriou. Model dokáže na základe výstupu zakašľať, zasmiať sa alebo aj zaspievať.
Dabing s asistenciou AI
Podľa Zapheriou je AI hlas už dostatočne kvalitný aj pre televízny dabing. Ako príklad uviedol hlas Sylvestra Stalloneho, z ktorého spoločnosť vygenerovala výstup pre francúzsky film. Nástroj na dabing vo verzii 2 podľa neho úplne mení základnú architektúru hlasu a učí ho hovoriť inými jazykmi so zachovaním pôvodných čŕt.
Do budúcnosti však podľa neho dabingoví herci o prácu neprídu. „Samotný vysokokvalitný výstup a konečné sformovanie hlasu bude aj naďalej v rukách dabingového herca,“ povedal s tým, že pôjde skôr o prácu s asistenciou AI než o proces plne riadený umelou inteligenciou.
Prvé reakcie volajúcich boli mlčanie
Pri prvých testoch v call centrách, keď zákazníkov privítal hlas so slovami „Dobrý deň, tu je AI agent, povedzte mi dôvod vášho hovoru“, niektorí ľudia reagovali úplne ticho. „Jednoducho sa rozhodli neodpovedať,“ opísal Zapheriou. Dôvodom podľa neho mohlo byť, že išlo o ich prvú interakciu s takouto technológiou a boli prekvapení, aký prirodzený hlas v skutočnosti bol.
Za dôležité považuje vždy volajúcemu povedať, že ide o umelú inteligenciu. Vyžaduje to aj legislatíva a európske pravidlá. Rovnako dôležité je podľa neho dať ľuďom možnosť vybrať si, či chcú systém využiť. Ako príklad uviedol hlásenie, ktoré volajúcemu ponúkne čakanie v rade alebo využitie AI agenta na rýchlejšie vyriešenie problému.
Nárečia aj neskúsení používatelia
Pri dialektoch a prízvukoch má otázka podľa Zapheriou dve roviny – presnosť prepisu vstupu a mieru priblíženia výstupu danému dialektu. Dizajn syntetického hlasu sa dá prispôsobiť tak, aby výstup znel v požadovanom dialekte, technológia pre menšie dialekty však zatiaľ nie je úplne dokonalá. „Je to naším cieľom, no do veľkej miery to závisí od veľkosti daného jazyka a od celkovej kvality samotného modelu,“ dodal.
Agent dokáže reagovať aj na požiadavky, ako je spomalenie reči, a to vrátane situácií, keď ide o staršiu generáciu alebo ľudí s rečovými chybami. Ak zákazník nevie problém technicky opísať, môže podľa Zapheriou poslať fotografiu. „Agent vás dokáže inštruovať, aby získal potrebný kontext, a dokáže pracovať s logickými predpokladmi,“ uzavrel.
