Com funciona el deepfake de text a veu i àudio?

Novetats com la síntesi de veu i text a veu (TTS) van ser creades per clonar la veu d'una persona i fer-la sonar molt real. Molts usuaris, com cineastes o desenvolupadors de videojocs, s'han beneficiat del clonatge de veu per crear doblatges i veus personalitzades. En aquest article descobriràs tot el que cal saber sobre el deepfake TTS.

Què és el deepfaking?

El deepfaking és una eina basada en intel·ligència artificial que utilitza deep learning per substituir l'aparença d'una persona per una altra en vídeo o multimèdia. Els algoritmes de deep learning processen grans quantitats de dades, en aquest cas, clips de vídeo d'una persona, per aprendre i crear noves dades per intercanviar cares. El resultat són mitjans falsos molt realistes. El mètode més habitual per crear deepfakes utilitza xarxes neuronals. Cal un vídeo base i altres clips breus de la mateixa persona. Com més informació tingui l'eina, millor podrà recrear la cara des de qualsevol angle. Les aplicacions més avançades ja ofereixen deepfaking en temps real. El programari per fer deepfakes es pot trobar a GitHub. Un exemple és Vall-E, que disposa d'una Emotional Voices Database per a una parla personalitzada que imita emocions humanes.

Com ajuda el text a veu al deepfaking?

El deepfaking no només es limita al vídeo. La IA també ha desenvolupat tècniques per recrear una veu humana tan real que l’usuari no distingirà si és original o generada. Igual que amb el vídeo, un generador de veu requereix entrenar models de llenguatge, proporcionant tants enregistraments de veu com sigui possible perquè la IA pugui clonar la veu. Aquests deepfakes d'àudio s'han fet populars a les xarxes socials.

Pots detectar una veu deepfake?

Tot i que els sintetitzadors estan dissenyats per crear veus realistes, la recerca utilitza dinàmica de fluids per trobar diferències entre la veu humana i la sintètica. Les veus deepfake es creen imitant un conducte vocal que no existeix en humans. Així que, tot i assemblar-s’hi, no són iguals. Tanmateix, la tecnologia millora i aviat serà gairebé impossible distingir l’àudio real d’un deepfake. Com que gran part de la comunicació humana és per àudio, missatges de veu o trucades, les veus deepfake són un risc. Es poden utilitzar models de veu per enganyar altres persones.

Tecnologia deepfake — Pros i contres

Avantatges

• Personalització—Les marques poden fer campanyes més rellevants amb deepfakes. Per exemple, poden adaptar models a l'ètnia del client perquè vegin el producte en persones semblants a ells.
• Millora de campanyes—Sense el cost dels actors, les empreses poden fer campanyes multicanal. En comptes de gravar per a cada canal, la síntesi de text a veu permet generar contingut per a podcasts, streaming i més.
• Vídeos més barats—Els actors presencials encareixen els pressupostos. Amb una identitat de veu llicenciada i editant deepfakes, no cal repetir clips.

Inconvenients

• Temes ètics—Les marques poden usar deepfakes per molts motius, però alguns usos poden ser poc ètics i danyar la reputació. Un exemple negatiu és crear ressenyes falses amb IA.
• Risc d'estafes—Ja hi ha moltes víctimes d'estafes amb deepfake. Les veus falses poden sonar tan reals que ningú no les qüestiona a les trucades.

Aconsegueix veus d’IA naturals amb Speechify

Speechify és una aplicació de text a veu que et llegeix qualsevol text. Pots crear contingut o pujar els teus documents i l'app genera un clip d'àudio perquè el descarreguis. També pots personalitzar el doblatge canviant el to i la velocitat. Disponible en més de 30 idiomes i compatible amb Microsoft, Apple, Android i iOS. Prova el generador de veu de Speechify avui mateix i crea clips amb veus d’IA naturals.

Preguntes freqüents

És possible fer deepfake d'àudio?

Sí, el deepfake d’àudio també es coneix com clonatge de veu o veu sintètica.

Com puc aconseguir veu greu en text a veu?

Hi ha molt programari de text a veu que pot generar veus greus que sonen molt naturals. Per exemple, Speechify ofereix 30 veus diferents, incloent-hi homes amb veu greu.

Què és la versió d'àudio d'un deepfake?

La versió d'àudio d'un deepfake és un enregistrament fet per IA que clona la veu real d’algú amb deep learning. Eines com Resemble.ai poden crear deepfakes d’àudio per a l’entreteniment.

15.ai costa diners?

No, 15.ai és programari gratuït i sense ànim de lucre. Però van desactivar l’app web el 2022 per manteniment.

Quina diferència hi ha entre deepfake text a veu i deepfake àudio?

El deepfake recrea l’aspecte d'una persona en vídeo i el deepfake d'àudio se centra en la veu. El text a veu converteix textos en àudio. Les veus de text a veu no imiten de manera intencionada actors o famosos, tret que la plataforma ho indiqui clarament.

Quina és la millor app de text a veu?

Speechify és una de les millors apps, amb moltes funcions útils i que permet crear àudios realistes a partir de textos.

Per què és difícil detectar el deepfake d'àudio?

El deepfake es basa en algoritmes de xarxes neuronals que s’entrenen sols. Com més dades rep la IA, millor replica la veu humana i més difícil és d’identificar.

Com s'utilitza el deepfake?

El deepfake pot servir per a l'entreteniment o per crear doblatges en vídeos i altres continguts multimèdia.