Glasovi stovreni uz pomoć umjetne inteligencije danas su toliko uvjerljivi da ih većina ljudi više ne može razlikovati od stvarnih ljudskih glasova. Novo istraživanje londonskog Sveučilišta Queen Mary, objavljena u časopisu PLOS One, pokazuju da deepfake glasovi, klonirani na bazi stvarnih ljudi, zvuče gotovo identično kao stvarni ljudski glasovi.

Sudionicima studije pušteno je 80 uzoraka glasa, od čega 40 stvarnih i 40 AI-generiranih, a oni nisu mogli pouzdano razlikovati prave od umjetnih. Glasovi generirani od nule pritom su bili nešto lakše prepoznatljivi, ali klonirani glasovi gotovo se uopće nisu razlikovali od originala; razlike su bile toliko male da spadaju u kategoriju statističke pogreške.

Realistični, ali ne i hiperrealistični

Istraživači naglašavaju da glasovni klonovi korišteni u studiji nisu bili osobito sofisticirani. Napravljeni su komercijalno dostupnim softverom i obučeni su sa četiri minute snimaka ljudskog govora. ”Proces je zahtijevao minimalno stručno znanje, samo nekoliko minuta glasovnih snimaka i gotovo nikakav novac. To samo pokazuje koliko je AI glasovna tehnologija postala dostupna i sofisticirana“, objašnjavaju istraživači.

Istraživanje je također pokazalo da su AI-generirani glasovi često percipirani kao dominantniji, a ponekad i pouzdaniji nego ljudski glasovi, što otvara brojna etička i sigurnosna pitanja. Međutim, studija nije pronašla "hiperrealistički" efekt – glasovi nisu bili percipirani kao "čudniji" ili "previše savršeni" u odnosu na stvarne glasove, što je čest slučaj kod vizualnih deepfakeova.