ინტერაქტიული ციფრული ავატარები: როგორ ქმნის Synthesia ადამიანის ვირტუალურ ორეულებს

ვიდეოგენერაციის სფეროში მომუშავე სტარტაპმა Synthesia-მ საზოგადოებას ახალი ტექნოლოგიური მიღწევა წარუდგინა — ინტერაქტიული ვირტუალური ავატარი, რომელიც გაწვრთნილია კონკრეტულ კითხვებზე პასუხის გასაცემად. ეს ინოვაცია პიარისა და კომუნიკაციების სფეროში ხელოვნური ინტელექტის გამოყენების ახალ ეტაპს წარმოადგენს. Synthesia, რომელიც ბაზარზე ისეთ კომპანიებთან ერთად ოპერირებს, როგორიცაა D-ID, HeyGen და Colossyan, მიმდინარე წელს 4 მილიარდ დოლარად შეფასდა, ხოლო გასულ წელს მისმა წლიურმა შემოსავალმა (ARR) 100 მილიონ დოლარს გადააჭარბა.

კომპანია ბიზნესებს სთავაზობს პლატფორმას ინტერაქტიული სატრენინგო ვიდეოების შესაქმნელად. მათი ერთ-ერთი ბოლო პროდუქტი, Roleplay Sessions, თანამშრომლებს საშუალებას აძლევს, გაიარონ პრაქტიკა (მაგალითად, გაყიდვების პრეზენტაციები) ინტერაქტიულ ავატართან, რომელიც რეალურ დროში პასუხობს და აფასებს მათ გამოსვლას. ეს ტექნოლოგია უკვე გამოიყენება ჟურნალისტებთან კომუნიკაციისთვისაც, სადაც ავატარი პრესის კითხვებს კომპანიის შესახებ პასუხობს.

როგორ იქმნება პერსონალური ციფრული ავატარი

ციფრული ორეულის შექმნის პროცესი რამდენიმე ეტაპისგან შედგება და მოითხოვს მაღალი ხარისხის მონაცემების შეგროვებას:

• სტუდიური გადაღება: მომხმარებელი შედის სპეციალურ მინი-ფილმების სტუდიაში, რომელიც Synthesia-ს ოფისშია განთავსებული.
• ფოტოფიქსაცია: ხდება მრავალი ფოტოს გადაღება სხვადასხვა რაკურსიდან ვიზუალური მსგავსების მაქსიმალური სიზუსტისთვის.
• ხმის ჩაწერა: საჭიროა ხმის ორწუთიანი ჩანაწერი, რათა სისტემამ შეძლოს პიროვნების ტემბრისა და ინტონაციის იმიტაცია.
• თანხმობის გაცხადება: ეთიკური და უსაფრთხოების ნორმების დასაცავად, აუცილებელია მომხმარებლის ოფიციალური თანხმობა ავატარის შექმნაზე.

ტექნოლოგიური მხარე და მოდელები

ინტერაქტიული ავატარის მუშაობა ეფუძნება რამდენიმე მოდელის კომბინაციას:

1. Voice-to-text: ადამიანის ნათქვამს ტექსტად გარდაქმნის.
2. აგენტური ენობრივი მოდელი: აანალიზებს ტექსტს და განსაზღვრავს შესაბამის პასუხს ან მოქმედებას.
3. Text-to-voice: პასუხს აუდიო ფორმატში აბრუნებს.
4. ვიდეო მოდელი: Synthesia-ს მიერ შექმნილი მოდელი ახდენს ავატარის ანიმირებას საუბრის პარალელურად.

Synthesia მომხმარებლებს სთავაზობს არჩევანს — გამოიყენონ მათი საკუთარი ხმოვანი მოდელები ან ისეთი ალტერნატივები, როგორიცაა Cartesia, ElevenLabs, Google ან OpenAI. ასევე, კომპანიებს შეუძლიათ აირჩიონ, სად განათავსონ (hosting) თავიანთი ავატარები — საკუთარ ღრუბლოვან სერვერებზე თუ Synthesia-ს პლატფორმაზე.

პროდუქტების კატეგორიები

Synthesia-ს პლატფორმა სამ ძირითად მიმართულებას მოიცავს:

• ვიდეოების შექმნისა და გავრცელების პლატფორმა: კლასიკური ავატარები, რომლებიც მომხმარებლის მიერ შეყვანილ სკრიპტს კითხულობენ.
• აგენტური პლატფორმა (Sessions): ინტერაქტიული გარემო გამოკითხვებისა და როლური თამაშებისთვის, სადაც მომხმარებელს შეუძლია ავატართან დიალოგი.
• API პლატფორმა: დეველოპერებისთვის განკუთვნილი ინსტრუმენტი, რომელიც საშუალებას იძლევა Synthesia-ს ვიდეო და ხმოვანი მოდელები სხვა ტექნოლოგიურ სერვისებთან გაერთიანდეს.

გამოცდილება და რეალისტურობა

ტესტირებისას გამოიკვეთა, რომ პერსონალური ავატარები, რომლებიც წინასწარ დაწერილ ტექსტს კითხულობენ, საკმაოდ ზუსტად გადმოსცემენ ხმას. ინტერაქტიული ავატარები კი ამ ეტაპზე დეტერმინისტულია — ისინი მხოლოდ იმ ინფორმაციაზე პასუხობენ, რაზეც გაიწვრთნენ. მაგალითად, თუ ავატარი გაწვრთნილია კონკრეტულ სტატიაზე, ის სხვა თემებზე საუბრისას დიალოგს კვლავ ძირითად თემას დაუბრუნებს.

მიუხედავად მაღალი ტექნოლოგიური დონისა, მომხმარებელთა რეაქცია არაერთგვაროვანია. ზოგისთვის ეს „საოცარი“ მიღწევაა, ზოგისთვის კი — „შემზარავი“ (creepy) მისი ზედმეტი მსგავსების გამო. განსაკუთრებით აღსანიშნავია ის ფაქტი, რომ ინტერაქტიული მოდელი მკაცრად იცავს საზღვრებს და არ გასცემს პასუხს პირად კითხვებზე, თუ ეს მის საწვრთნელ მასალაში არ შედის.

მომავლის პერსპექტივები და ეთიკა

ტექნოლოგიის განვითარება აჩენს კითხვებს ჟურნალისტიკის მომავალთან დაკავშირებით. შეძლებენ თუ არა ავატარები ჟურნალისტების ჩანაცვლებას ან მათ დახმარებას? მთავარი გამოწვევა აქ ნდობაა. ჟურნალისტიკის ფუნდამენტი ადამიანებს შორის კავშირი და ნდობაა, რისი დელეგირებაც ხელოვნურ ინტელექტზე რთულად წარმოსადგენია.

კორპორაციულ სამყაროში საკუთარი თავის „კლონირება“ შესაძლოა მიმზიდველი აღმოჩნდეს — მაგალითად, შვებულების დროს ციფრულმა ორეულმა უპასუხოს სამუშაო კითხვებს. თუმცა, არსებობს ფსიქოლოგიური მომენტიც: დეტერმინისტული ავატარები არ იღიმებიან უმიზეზოდ და არ ახამხამებენ თვალებს ბუნებრივად, რაც მომხმარებელში გარკვეულ დისკომფორტს იწვევს. მიუხედავად ამისა, ციფრული ავატარები ბევრად უფრო მისაღებია, ვიდრე ჰუმანოიდი რობოტები, რადგან ნებისმიერ დროს შესაძლებელია სისტემიდან გამოსვლა და კავშირის გაწყვეტა.