Buvome įpratę, kad lietuvių kalba į informacines sistemas įtraukiama pamažu. Tinkamai sulietuvinti kompiuterines programas ir operacines sistemas užtruko ne vieną dešimtmetį. Mūsų kalbos unikalumas saugojo nuo lietuviškai nekalbančių elektroninių reklamų ir nuo daugybės tarptautinių sukčiavimo schemų.
Tačiau dabartiniais technologijų laikais, kai DI iš eksperimentinių projektų tapo kasdiene verslo, viešojo sektoriaus ar net namų ūkių dalimi, panašios apsaugos neturime.
Pirmieji plačiai vartojami DI modeliai nuo pat pradžių gebėjo rašyti lietuviškai. Dažną tai stebino. Balsu DI prašneko lėčiau, darydamas daug kirčiavimo klaidų. Dabar kirčiuojama taisyklingai.
Susiję straipsniai
„ChatGPT“ (DI sukurta pokalbių roboto programa, kuri supranta ir generuoja į žmogaus kalbą panašų tekstą) ir „Gemini“ (DI asistentas ir pokalbių robotas) lietuviškai bendrauja sklandžiai, o „ElevenLabs“ (viena pažangiausių pasaulyje DI platformų, skirta balso ir garso technologijoms) per „Davinci AI“ (skaitmeninė kūrybinė platforma ir programėlė, skirta kurti paveikslus, vaizdo įrašus bei garso takelius naudojant DI) leidžia kurti įtikimai skambančius sakinius.
Apie DI, sugebantį tinkamai sintetinti lietuvišką balsą, „Lietuvos rytas“ kalbėjosi su Vytauto Didžiojo universiteto (VDU) partnerystės docentu, DI edukatoriumi Kristijonu Jakubsonu. Rugsėjį jis viešai paskelbė „Krapą“ – sąrašą sudėtingų techninių receptų, parodančių, kaip iš maždaug valandos trukmės balso įrašų susikurti aukšto lygio sintetinį balsą.
– Ar „Krapas“ – proveržis? Dirbtinis balsas pagaliau tinkamai kirčiuoja lietuviškai?
– Modeliai, kuriais galima klonuoti balsą, nėra naujiena. Užsisakius, tarkime, „ElevenLabs“ prenumeratą, dabar užtenka keliolikos sekundžių garso įrašo. Gana kokybiškai klonuoti kitų žmonių balsus galėjau jau prieš gerus metus. Tuo metu paslauga leido nuklonuoti net prezidentą, išbandžiau ir Seimo narius.
Tačiau kai modelis veikia tavo paties kompiuteryje, kaip šiuo atveju „Krapas“, gali generuoti iš esmės bet kokį tekstą. Paslaugų teikėjai, tas pats „ElevenLabs“, dažniausiai turi saugiklių – bandydami generuoti potencialiai žalingą tekstą greičiausiai gausime įspėjimą ir generavimas bus sustabdytas. Būna ir saugiklių, atpažįstančių tam tikrus balsus. Teikėjai jų deda vis daugiau. O kai modelis jūsų, nebelieka jokių apribojimų nei ką generuosite, nei kokiu balsu. Tereikia pakankamai paruoštos medžiagos.
– „Krapą“ paskelbėte atvirai. Ar nesulaukėte kritikos?
– Kaip sakiau, ši technologija nėra nauja – visa tai prieinama jau kurį laiką. Ar paskelbsiu aš, ar kas nors kitas, tik laiko klausimas, išvengti to vis tiek nepavyks.
– „ElevenLabs“ užtenka keliolikos sekundžių, „Krapui“ reikia valandos įrašų. Ar skirtumas girdisi?
– Man „Krapu“ sukurtas balsas skamba kur kas tikroviškiau, bet jis juk sukurtas iš valandos trukmės įrašo. Jei norime tokio tikslumo, kad net artimieji neatskirtų, ar balsas sugeneruotas, reikia šiek tiek daugiau laiko.
– Ar galima paimti įrašą, kuriame žmogus daug šneka, ir paruošti modelį be jo žinios?
– Iš esmės – taip, techniškai tai įmanoma. Įrašą reikia sukarpyti 10–15 sekundžių gabaliukais, juos paversti tekstu ir sukirčiuoti, o tada visą medžiagą – sukirčiuotus sakinius ir įrašus – pateikti mokymui. Paprastu kompiuteriu tai padaryti greičiausiai užtruktų kelias paras, naudojant galingas vaizdo plokštes – gal porą valandų.
– Kada pakaktų tik nurodyti žmogų ir jo balsas galėtų būti nuklonuotas savaime, nepasitelkiant didelių techninių įgūdžių?
– Kuo toliau, tuo daugiau procesų automatizuojama. „Krapo“ gamyba irgi buvo labai stipriai automatizuota. Mano pagrindinis darbas buvo atsisėsti prie mikrofono ir įrašyti sakinius. Juos paruošė ir sukirčiavo DI agentas. Jis sukūrė ir programą, kad būtų patogu įrašinėti. Sėdėjau priešais ekraną, skaičiau ir spaudžiau – „įrašyti, stop, įrašyti, stop“. Po to agentas pats patikrino medžiagą, įkėlė ją į serverius, paleido mokymą ir grąžino išmokytus modelius.
Taigi DI jau gali kurti kitus dirbtinio intelekto modelius. Ir net tokie paprasti naudotojai kaip aš gali pasitelkti agentus kitiems modeliams mokyti. Kartais atrodo, kad iš stebuklingos lempos išlindo džinas ir sako: „Ko nori, tuoj įvykdysiu!“ Sugalvoji programą, pasakai ir maždaug po 15–20 minučių jau turi prototipą.
– Ar unikali, siaurai paplitusi lietuvių kalba iki šiol mus saugojo tarsi šiltnamyje? Dirbtinį balsą išduodavo kirčiai – pavyzdžiui, vaikiškose dainelėse „YouTube“ žodžiai kirčiuojami netaisyklingai.
– Manau, tik santykinai. „ElevenLabs“ kirčiuoja gana gerai, tad norėdamas tikrai gali pasidaryti, bet reikia susimokėti. Kita vertus, lietuviai įpratę viską gauti veltui, be mokesčių. Net, tarkime, be 20 eurų abonentinio mokesčio, todėl dainas kuria prastesniais modeliais.
Realiai ši technologija su mumis jau maždaug metus. Visai kokybiškai gali nusiklonuoti ir savo, ir kito žmogaus balsą.
Net dainas: jei turi švarų vokalo įrašą, gali nusiklonuoti savo balsą ir generuoti lietuviškas dainas kirčiuodamas taisyklingai. Tik reikėtų šiek tiek pastangų, susimokėti ir naudotis išorinių teikėjų paslaugomis.
– Kirčius „Krapui“ sudeda kirčiuoklis – atskira programa. Ar ji neklysta, ypač žodžiuose, kuriuos ir patys dažnai kirčiuojame netaisyklingai? Tarkime, žodį „bẽbras“ visada kirčiuoju netaisyklingai (bèbras), tad klonas perskaitytų kitaip nei aš.
– „Krapas“ labai neblogai paiso kirčio ženklų. Jei žodis kirčiuoklio sukirčiuotas taisyklingai, jis ir bus perskaitytas taisyklingai. Generuodamas tekstą galiu kirtį uždėti rankiniu būdu – ten, kur noriu. Tada modelis taip ir kirčiuos.
– Išmokytas modelis šneka viena intonacija. Bet jei „mama“ skambina ir prašo pinigų, ji juk nebus rami?
– Nesinori čia mokyti, kaip pasigaminti apgaulės modelį, bet iš esmės išmokyti galima ir emocijų – tam reikia emocingų įrašų. Jei valandą įrašų perskaitote emocingai, modelis ir išmoksta kalbėti emocingai. Aš skaičiau ramiu balsu, tarsi žinių diktorius, todėl ir modelis taip kalbėjo. Jei mokytume iš karto kelių emocijų, netinkama emocija gali prasiveržti sakinio viduryje. Tada reikėtų vos ne atskirų modelių. Tai dar reikia išbandyti. O „ElevenLabs“ jau dabar leidžia parašyti, kokios emocijos nori.
– Nuo šių metų rugpjūčio Europos Sąjunga reikalauja žymėti DI sugeneruotą turinį. Ką tai reiškia balsui?
– Nuo rugpjūčio 2 d. tai, kas sugeneruota DI ir dėl savo tikroviškumo gali suklaidinti klausytoją, žiūrovą ar skaitytoją, privalu pažymėti. Jei balsas skamba tikroviškai ir gali atrodyti, kad tai konkretus žmogus, žymėti taip pat būtina.
O jei kalbatės su sistema balsu ar pokalbių lange, jus turi informuoti, kad kalbate ne su žmogumi.
– Tačiau „Krapas“ to neužtikrins. Ar tai – jau naudotojo pareiga?
– Taip, naudotojui privalu pranešti.
– Ką daryti, kai paskambina „artimasis“, pažįstamas ar vadovas ir ko nors prašo? Kaip įsitikinti, kad kalbame su realiu žmogumi?
– Iš to, ką girdime ir matome, atskirti, ar vaizdas ir garsas tikri, jau kurį laiką labai sunku arba faktiškai neįmanoma, todėl per mokymus visada primenu – turėkite su artimaisiais slaptažodį. Jei kas nors skambina, sako, kad pakliuvo į bėdą, ir prašo pervesti pinigų, paklauskite slaptažodžio.
Jei jo neturite, klauskite to, ką žino tik tas žmogus arba tik judu. Pašalinis sukčius to tikrai nežinos. Tokius susitarimus jau reikėtų turėti ir įmonėms.
Tai aktualu ne tik skambinant, bet ir rašant elektroninius laiškus – sukčiavimo atakos gana dažnos, išvilioti pinigus bandoma įvairiais būdais. Skambučiai klonuotu balsu ne tik gali tapti, bet jau ir tampa nauju sukčiavimo būdu. Tik laiko klausimas, kada paprasti telefoniniai sukčiai įgus ir ims juo naudotis dažniau.
Būtina atkreipti dėmesį į tai, kaip bendraujama. Kai per emocijas bandoma skubos tvarka priversti ką nors padaryti, reikėtų iškart suklusti ir paklausti savęs, ar tai tikrai tas žmogus? Kodėl jis bando mane skubinti? Tai galioja visur – ir naršant socialiniuose tinkluose, ir sulaukus skambučio. Tiesiog reikia būti budriems.
