Ξεχωρίζουμε τις φωνές της Τεχνητής Νοημοσύνης;

Η ραγδαία ανάπτυξη της τεχνητής νοημοσύνης έχει αλλάξει σημαντικά τον τρόπο με τον οποίο οι άνθρωποι επικοινωνούν με την τεχνολογία.
Οι συνθετικές φωνές που δημιουργούνται μέσω συστημάτων τεχνητής νοημοσύνης βρίσκονται πλέον σχεδόν παντού: σε ψηφιακούς βοηθούς, εφαρμογές πλοήγησης, τηλεφωνικά κέντρα εξυπηρέτησης πελατών, βίντεο στα μέσα κοινωνικής δικτύωσης, ηλεκτρονικά βιβλία, ακόμη και σε εφαρμογές που αναπαράγουν τη φωνή ανθρώπων που έχουν χάσει την ικανότητα ομιλίας.
Τα τελευταία χρόνια, η ποιότητα αυτών των φωνών έχει βελτιωθεί τόσο εντυπωσιακά, ώστε πολλές φορές είναι δύσκολο να ξεχωρίσει κανείς αν ακούει πραγματικό άνθρωπο ή μια φωνή που δημιουργήθηκε από υπολογιστή. 
Παρ' όλα αυτά, μια νέα επιστημονική έρευνα δείχνει ότι ο ανθρώπινος εγκέφαλος εξακολουθεί να εντοπίζει διαφορές ανάμεσα στις ανθρώπινες και τις συνθετικές φωνές, όχι μόνο από τον τρόπο που ακούγονται, αλλά και από το περιεχόμενο του λόγου και το κατά πόσο η γλώσσα γίνεται κατανοητή από τον ακροατή.
Η μελέτη πραγματοποιήθηκε από το Ινστιτούτο Max Planck για την εμπειρική αισθητική και δημοσιεύθηκε στο επιστημονικό περιοδικό «Speech Communication». Οι ερευνητές θέλησαν να εξετάσουν πώς ακριβώς οι άνθρωποι αντιλαμβάνονται την «ανθρωπινότητα» μιας φωνής και ποιοι παράγοντες επηρεάζουν αυτή την αντίληψη. 
Για τον σκοπό αυτό δημιούργησαν 16 σύντομες γερμανικές προτάσεις, όπως «Το αγόρι χάρισε στον πατέρα του ένα καπέλο». Στη συνέχεια, τροποποίησαν τις προτάσεις αλλάζοντας τη σειρά των λέξεων ή αντικαθιστώντας ορισμένες λέξεις με ψευδο-λέξεις που έμοιαζαν ηχητικά με πραγματικές. Οι προτάσεις αυτές ηχογραφήθηκαν τόσο από ανθρώπους ομιλητές, όσο και από προηγμένα συστήματα συνθετικής ομιλίας (Text-to-Speech).
Στο πρώτο πείραμα συμμετείχαν 40 γερμανόφωνοι ακροατές, οι οποίοι κλήθηκαν να αξιολογήσουν πόσο ανθρώπινες ακούγονταν οι διαφορετικές φωνές. Τα αποτελέσματα έδειξαν ότι οι συνθετικές φωνές θεωρήθηκαν συνολικά λιγότερο φυσικές και λιγότερο ανθρώπινες σε σχέση με τις πραγματικές. 
Παράλληλα, η ακουστική ανάλυση αποκάλυψε σημαντικές διαφορές στην προσωδία, στον επιτονισμό, στη χροιά και στον ρυθμό της ομιλίας. Σύμφωνα με την επικεφαλής της έρευνας Γιάνικ Βέστερ, οι μικρές αυτές αποκλίσεις στην ηχητική ποιότητα επηρεάζουν έντονα τον τρόπο με τον οποίο ο εγκέφαλος αντιλαμβάνεται μια φωνή ως ανθρώπινη ή τεχνητή.
Ένα από τα σημαντικότερα συμπεράσματα της έρευνας ήταν ότι ο άνθρωπος δεν αξιολογεί μόνο τον ήχο της φωνής, αλλά και το ίδιο το περιεχόμενο του λόγου. Οι αλλοιωμένες ή «παράξενες» προτάσεις ακούγονταν λιγότερο ανθρώπινες ακόμη κι όταν τις εκφωνούσε πραγματικός άνθρωπος. 
Ωστόσο, αυτό συνέβαινε κυρίως όταν οι ακροατές κατανοούσαν τη γλώσσα. Για να εξεταστεί καλύτερα ο ρόλος της κατανόησης, πραγματοποιήθηκε και δεύτερο πείραμα με γερμανόφωνους, ισπανόφωνους και τουρκόφωνους συμμετέχοντες. 
Όσοι δεν γνώριζαν γερμανικά δεν επηρεάζονταν ιδιαίτερα από το νόημα των προτάσεων, αλλά παρ' όλα αυτά μπορούσαν σε γενικές γραμμές να ξεχωρίσουν τις ανθρώπινες από τις συνθετικές φωνές. Αυτό δείχνει ότι ο εγκέφαλος επεξεργάζεται ταυτόχρονα τόσο τα ακουστικά χαρακτηριστικά μιας φωνής, όσο και τη φυσικότητα του ίδιου του λόγου.
Οι επιστήμονες εξηγούν ότι, παρά τη μεγάλη πρόοδο της τεχνολογίας, οι συνθετικές φωνές εξακολουθούν να δυσκολεύονται να αποδώσουν ορισμένα πολύπλοκα στοιχεία της ανθρώπινης επικοινωνίας. Οι άνθρωποι μιλούν με αυθόρμητες παύσεις, μικρές αλλαγές στον τόνο, συναισθηματικές διακυμάνσεις και φυσικές «ατέλειες» που προκύπτουν από την ψυχολογική κατάσταση, την κούραση, την κοινωνική περίσταση ή ακόμη και την προσωπικότητα κάθε ομιλητή. 
Αντίθετα, οι φωνές AI βασίζονται σε αλγορίθμους και τεράστιες βάσεις δεδομένων, με αποτέλεσμα πολλές φορές να ακούγονται υπερβολικά ομαλές, σταθερές ή «μηχανικές», ακόμη κι όταν είναι τεχνικά εντυπωσιακές.
Τα σύγχρονα συστήματα τεχνητής φωνής έχουν πλέον τη δυνατότητα να μιμούνται συγκεκριμένους ανθρώπους, να προσαρμόζουν το ύφος και το συναίσθημα της ομιλίας, να αλλάζουν προφορά και ταχύτητα, ακόμη και να παράγουν ρεαλιστικούς διαλόγους σε πραγματικό χρόνο. 
Η τεχνολογία αυτή χρησιμοποιείται ήδη στην εκπαίδευση, στη δημιουργία ψηφιακού περιεχομένου, στην ψυχαγωγία, στις μεταφράσεις, στην εξυπηρέτηση πελατών και στην ιατρική αποκατάσταση. Σε αρκετές περιπτώσεις, άτομα που έχασαν τη φωνή τους λόγω σοβαρών ασθενειών μπορούν πλέον να επικοινωνούν μέσω εξατομικευμένων συνθετικών φωνών που βασίζονται στον δικό τους παλιό τρόπο ομιλίας.
Παράλληλα όμως, η ανάπτυξη αυτής της τεχνολογίας δημιουργεί και σημαντικούς κινδύνους. Οι ειδικοί προειδοποιούν ότι τα ηχητικά deepfakes μπορούν να χρησιμοποιηθούν για παραπληροφόρηση, οικονομικές απάτες ή πολιτική χειραγώγηση. 
Ήδη έχουν καταγραφεί περιπτώσεις όπου απατεώνες χρησιμοποίησαν συνθετικές φωνές που μιμούνταν συγγενικά πρόσωπα ή στελέχη εταιρειών για να εξαπατήσουν ανθρώπους τηλεφωνικά. Για τον λόγο αυτό, πολλές εταιρείες τεχνολογίας και ερευνητικά ιδρύματα εργάζονται πάνω σε συστήματα ανίχνευσης ψεύτικων φωνών, τα οποία θα μπορούν να αναγνωρίζουν αν ένα ηχητικό αρχείο έχει παραχθεί από τεχνητή νοημοσύνη.
Ιδιαίτερο ενδιαφέρον παρουσίασε και το εύρημα σχετικά με την ηλικία των ακροατών. Σύμφωνα με τη συντονίστρια της έρευνας Πολίν Λαρουί-Μαεστρί, οι μεγαλύτεροι σε ηλικία άνθρωποι τείνουν να αντιλαμβάνονται τις συνθετικές φωνές ως πιο ανθρώπινες σε σχέση με τους νεότερους. 
Οι ερευνητές θεωρούν ότι αυτό μπορεί να σχετίζεται είτε με διαφορετικό τρόπο επεξεργασίας του ήχου από τον εγκέφαλο είτε με το γεγονός ότι οι νεότερες γενιές, λόγω μεγαλύτερης επαφής με την τεχνολογία, έχουν μάθει να αναγνωρίζουν πιο εύκολα τα χαρακτηριστικά μιας τεχνητής φωνής.
Η εξέλιξη της τεχνητής νοημοσύνης δείχνει ότι στο μέλλον οι συνθετικές φωνές θα γίνουν ακόμη πιο ρεαλιστικές και δύσκολα ανιχνεύσιμες. Παρ' όλα αυτά, η ανθρώπινη επικοινωνία παραμένει μια εξαιρετικά σύνθετη διαδικασία, στην οποία το συναίσθημα, η πρόθεση, η αυθεντικότητα και η φυσική αλληλεπίδραση παίζουν καθοριστικό ρόλο. 
Παρότι οι μηχανές μπορούν πλέον να μιμηθούν πολύ πειστικά τον ανθρώπινο λόγο, φαίνεται ότι υπάρχουν ακόμη λεπτές αποχρώσεις της ανθρώπινης έκφρασης που η τεχνητή νοημοσύνη δυσκολεύεται να αναπαράγει πλήρως.