A OpenAI está a aperfeiçoar a sua tecnologia Voice Engine para clonagem de voz. Essa expansão da API de conversão de texto em fala existente da empresa, que está em desenvolvimento há cerca de dois anos, permite que os usuários carreguem uma amostra de voz de 15 segundos para gerar uma cópia dessa voz.
O desenvolvimento desta ferramenta pela OpenAI começou no final de 2022 e foi inicialmente utilizado para gerar voz para a sua API de conversão de texto em voz, ChatGPT Voice e Read Aloud. Posteriormente, foi implementada para criar a voz do ChatGPT em aplicações móveis. Ao longo de 2023, um pequeno grupo tem vindo a utilizar esta ferramenta para explorar possíveis casos de utilização, tendo agora partilhado alguns dos resultados, embora não tenham anunciado uma data para a sua disponibilização ao público.
“Esperamos iniciar um diálogo sobre a utilização responsável de vozes sintéticas e sobre a forma como a sociedade se pode adaptar a estas novas capacidades. Com base nestas conversas e nos resultados destes testes em pequena escala, tomaremos uma decisão mais informada sobre se e como implementar esta tecnologia em grande escala”, anunciaram no seu blogue.
Quais são as utilizações do Voice Engine?
No blogue da OpenAI, partilharam alguns dos desenvolvimentos que fizeram em conjunto com os seus parceiros. O primeiro deles foi com a Age of Learning, uma empresa de tecnologia educativa centrada no sucesso académico das crianças, que utilizou a tecnologia para prestar assistência à leitura a crianças e a não-leitores através de vozes emotivas que soam naturais e representam uma maior diversidade de falantes do que é possível com vozes pré-definidas. Com o GPT-4, desenvolveram respostas personalizadas em tempo real para interagir com os alunos.
Outro teste que fizeram foi com a plataforma HeyGen, que se dedica à tradução de conteúdos, como vídeos e podcasts, para que os criadores e as empresas possam chegar a um público mais vasto em todo o mundo, mantendo a fluência e a autenticidade das suas próprias vozes. Trabalha em estreita colaboração com os seus clientes empresariais para criar avatares personalizados semelhantes a humanos para uma variedade de conteúdos, desde o marketing de produtos a demonstrações de vendas. A HeyGen utilizou o Voice Engine para efetuar a tradução de vídeo, permitindo a tradução da voz de um orador em várias línguas, alcançando uma audiência global. Uma caraterística distintiva do Voice Engine é que, ao traduzir, mantém o sotaque nativo do orador original; por exemplo, ao gerar inglês a partir de uma amostra de áudio de um orador francês, o discurso resultante manterá o sotaque francês.
Também trabalharam com a Dimagi, uma empresa que presta serviços em ambientes remotos com o objetivo de chegar a comunidades globais. A empresa está a desenvolver ferramentas para que os profissionais de saúde comunitários possam prestar uma vasta gama de serviços essenciais, como o aconselhamento a mães que amamentam. Para ajudar estes trabalhadores a melhorar as suas competências, a Dimagi utiliza o Voice Engine e o GPT-4 para fornecer feedback interativo na língua principal de cada trabalhador, incluindo o Swahili ou línguas mais informais como o Sheng, uma língua de código misto popular no Quénia.
Para além de partilharem algumas das utilizações que a ferramenta de voz da OpenAi terá, também aproveitaram o lançamento para salientar que“acreditamos que qualquer implantação alargada de tecnologia de voz sintética deve ser acompanhada por experiências de autenticação de voz que verifiquem se o orador original está conscientemente a adicionar a sua voz ao serviço e uma lista de vozes proibidas que detecte e impeça a criação de vozes demasiado semelhantes a figuras proeminentes“.