Tulevaisuus on koneäänen, mutta sen historiakin on oletettua pidempi. Kieliteknologiaan erikoistuneen ohjelmistoyritys a.i.materin toimitusjohtaja Lauri Falck kertoo hänkin yllättyneensä koneäänen aikajanan mitasta.

Jo 1700-luvulla ihmisääntä yritettiin jäljitellä mekaanisella kojeella, jossa palkeiden avulla tuotettua ilmavirtaa kuljetettiin suukappaleeseen, jota käsin manipuloimalla tuotettiin vokaaliäänteitä. Ensimmäiset sähköiset järjestelmät puhesynteesiin tulivat 1930-luvulla ja 1960-luvulla järjestelmät alkoivat muuttua tietokonepohjaisiksi. Koneääni syntyi liittämällä erillisiä valmiita äännepaloja toisiinsa. Puhe ei kuitenkaan kuulostanut luonnolliselta puheelta.

Nykyisillä neuroverkkopohjaisilla malleilla koneääni luodaan ihmisaivoja jäljittelevien matemaattisten mallien avulla. Käytännössä nauhoitetaan muutama tunti puhetta, jonka jälkeen koneoppimismalli koulutetaan yleistämään henkilön puhetapa mihin tahansa samalla kielellä tehtyyn tekstiin. Syntyy läheisesti kyseistä ihmistä muistuttava koneääni.

– Keväällä 2022 julkaistiin tutkimus, jossa sokkokuuntelutestissä ihmiset eivät erottaneet kumpi puhuu, kone vai ihminen. Koneääni sai ihmistä paremmat inhimillisyyspisteet.

Toistaiseksi kone ei ymmärrä lukemaansa, joten kun tarvitaan tunnetta ja tulkintaa, on ihminen konetta parempi, vielä. Koneääni tulee kuitenkin mullistamaan sisällöntuotantobisneksen, uskoo Falck. Jo nyt koneääni lukee verkkosisältöjä ja oppimateriaaleja, äänikirja-alaa taas kiinnostaa lukija, joka jaksaisi puurtaa ääni väsymättä kirja toisensa perään.

Viihdeteollisuudessa on kaksi suurta: porno- ja peliteollisuus. Falckin esimerkki on peliteollisuudesta.

– Peleissä itselle luotujen hahmojen kustomointi voi yltää ominaisuuksien ja ulkonäön lisäksi ääneen. Pelin aikana pelaajan kohtaamille hahmoille voidaan kaikille generoida omat äänet.

Koneääni tulee olemaan myös osa elokuvateollisuutta. Koneääntä voidaan käyttää niin dubbaajana kuin näyttelijänäkin, elokuvien digitaalisilla hahmoilla voi jatkossa olla myös koneella luotu ääni.

Tekoälyn tämän hetken kuumin puheenaihe on tekstisisältöä tuottava ChatGPT. Tekoälyn tuottama käsikirjoitus yhdistettyä musiikin generointimalleihin ja synteettiseen ääneen mahdollistaa koneäänellä tehdyn radiolähetyksen.

– Ihan vielä RadioGPT ei ole kaikkia radiotyöntekijöitä korvaamassa, mutta kehityskulku on vääjäämätön.

Vuorovaikutukseen, reagointiin ja tunnetilan välittämiseen koneääni ei vielä kykene. Silti voi olla, että piankin kuullaan ensimmäinen koneäänen vetämä podcast.

Koneäänen mahdollisuudet ovat rajattomat, samoin sen uhat. Lauri Falckin esimerkki on ElevenLabs palvelu, jossa kuka tahansa pystyy tekemään omasta äänestään kloonin vain parin minuutin näytteen perusteella. Väärinkäytösten vuoksi aiemmin avoin palvelu on muuttunut maksulliseksi.

Klooniäänien käyttämisestä esimerkkejä on jo paljon. Verkosta löytyy pelisstriimaajien hassuttelua Donald Trumpin ja Joe Bidenin äänellä, mutta myös julkkisten äänellä levitettyä vihapuhetta. Koneääni on tehokas väline disinformaation levittämiseen. Uskottava, mutta jäljittämätön koneääni kiinnostaa varmasti myös rikollisia.

Lisäksi on kysymys tekijänoikeudesta. Kun äänensä palveluun antaa, mihin kaikkeen ja millaisiin sisältöihin sitä voidaan myöhemmin käyttää.

Falck peräänkuuluttaa palvelun tuottajien eettistä vastuuta.

– Pitää valita, onko hyvisten vai pahisten puolella.