Narzędzie Google do podcastów AI przekształca Twój tekst w niezwykle realistyczny dźwięk - za darmo

Od lat studiuję sztuczną inteligencję, a nowe i dziwnie ukryte narzędzie Google do podcastów AI wciąż mnie zadziwia. Poważnie, trzeba to usłyszeć, żeby w to uwierzyć. Ale ludzie w końcu pokonają maszyny. Oto dlaczego.

Nie jestem wcale religijny, ale kiedy odkryłem to narzędzie, chciałem krzyczeć: „To dzieło diabła!”

Kiedy odtworzyłem dla ciebie nagranie zawarte poniżej, moja redaktorka odpowiedziała z wahaniem: „CO TO JEST ZA CZAROWNOŚĆ?” Pracuję z nią przez 10 lat i przez ten czas codziennie przeskakiwaliśmy w tę i z powrotem, i to pierwszy raz, kiedy ją widzę.

Później podzieliła się ze mną: „To w 100% najbardziej przerażająca rzecz, jaką do tej pory widziałem w wyścigu generatywnej sztucznej inteligencji”.

Jeśli w ogóle interesuje Cię sztuczna inteligencja, to, co odkryłem, może Tobą wstrząsnąć tak samo jak nami. Być może znaleźliśmy się w przełomowym momencie.

W tym artykule zademonstruję usługę oferowaną przez Google. Poświęćcie kilka minut i posłuchajcie przynajmniej fragmentu dwóch klipów audio, które zamierzam udostępnić. Pokażę Ci jak powstały i jak zrobić własne. Następnie zajmiemy się konsekwencjami poziomu trzęsienia ziemi.

Na koniec dołącz do mnie w komentarzach poniżej, aby o tym porozmawiać. Myślę, że wszyscy będziemy musieli przemyśleć, co to oznacza.

Demonstracja

Za chwilę usłyszysz dyskusję podcastową na temat jednego z moich ostatnich artykułów.

Jedyne, co zrobiłem, to wkleiłem tekst mojego artykułu o zbyt realistycznej konwersji VR obrazów 2D na 3D do usługi Google NotebookLM i kliknąłem Generuj.

Wyjaśnię to jasno: „ludzie” w audycji nie są prawdziwi. Dźwięk jest w całości generowany przez sztuczną inteligencję.

Aby w pełni docenić implikacje tej technologii, warto poświęcić kilka minut na przeczytanie mojego oryginalnego artykułu, a następnie wysłuchać co najmniej jednej minuty sześciominutowej ścieżki dźwiękowej.

Oryginalny artykuł: Myślałem, że ta nowa funkcja VisionOS 2 to tylko chwyt marketingowy - dopóki nie rozpłakałem się do mojego Vision Pro
Ścieżka dźwiękowa wygenerowana przez sztuczną inteligencję: kliknij tutaj, aby posłuchać

Idź, poczekam.

Oto kilka rzeczy, na które warto zwrócić uwagę:

Jakość rozmów dwóch osób zarówno pod względem wierności, jak i naturalności głosu
Stosowanie odpowiednich potocznych określeń typu „wodociągi” do opisu łez i płaczu
Całkowicie organiczny charakter ich przekomarzań i fakt, że w ogóle do nich doszło
Jak dobrze „ludzcy” użytkownicy rozumieją pojęcia zawarte w artykule, w tym emocjonalne aspekty ponownego przeżywania starych wspomnień
Ogólnie rzecz biorąc, jak realnie to brzmi, od wstępu, przez rozwinięcie, po zakończenie, jest nie do odróżnienia od prawdziwej transmisji

Następnie poświęćmy chwilę na przyjrzenie się, w jaki sposób zostało to wygenerowane.

Co to jest NotebookLM?

NotebookLM to swego rodzaju skrzyżowanie Google Keep i sztucznej inteligencji w Notion.

Główną strukturą danych w NotebookLM jest notatnik, w którym znajdują się wszystkie Twoje „notatki” dotyczące danego projektu. Notatki, zwane w programie NotebookLM „źródłami”, mogą być tekstem wpisywanym w programie NotebookLM, podobnie jak w Keep. Mogą to być jednak także pliki PDF, Dokumenty lub Prezentacje Google, wklejony tekst, pliki audio, linki do YouTube i adresy URL stron internetowych.

NotebookLM wydaje się być nieco wybredny w kwestii formatu źródeł, ponieważ kiedy wkleiłem adres URL mojego artykułu, nie mógł go przeczytać. Musiałem skopiować tekst i wkleić go. Znalazłem też plik PDF, którego nie mógł odczytać, mimo że nie wyglądał na zablokowany ani objęty ograniczeniami.

Gdy już wszystkie źródła zostaną zapisane w notatniku, możesz poprosić sztuczną inteligencję NotebookLM o wykonanie operacji AI z danymi. Możesz otrzymać podsumowanie. Możesz poprosić go o wyodrębnienie głównych punktów. Możesz poprosić o konspekt i tak dalej. Działania AI korzystają wyłącznie z danych źródłowych znajdujących się w danym notatniku, podobnie jak sztuczna inteligencja Notion działa wyłącznie na danych przesłanych na Twoje własne konto Notion.

Wielką niespodzianką i tą, która mnie niepokoi w tym artykule, jest przycisk Generuj, który generuje realistyczne przekomarzanie się między dwoma gospodarzami podcastów, które słyszeliście w wersji demonstracyjnej.

W tej chwili NotebookLM jest w wersji beta i jest bezpłatny.

Tworzenie własnego dźwięku (i drugie demo)

Stwórzmy kolejną zadziwiającą dyskusję podcastową. Tym razem jako źródło wykorzystamy fascynujący artykuł Jasona Perlowa na temat upadku Intela.

Najpierw skieruj przeglądarkę na NotebookLM. Musisz zalogować się na swoje konto Google. Po zalogowaniu zobaczysz listę notatników. Ten zrzut ekranu przedstawia mój pierwszy test, demonstrację, którą pokazałem powyżej, a także kilka przykładowych notatników dostarczonych przez Google.

Kliknięcie opcji Nowy notatnik przenosi nas do ekranu Dodaj źródła.

Ponieważ wcześniej stwierdziłem, że nie przetwarza on prawidłowo łączy do artykułów ZDNET, po prostu zszedłem do prawego dolnego rogu i kliknąłem Wklej tekst. Następnie, po wycięciu tekstu z artykułu Jasona, wkleiłem go w pole wprowadzania danych.

Po kilku sekundach NotebookLM otwiera tak zwany Przewodnik po notesie, czyli podsumowanie źródeł i sugestii.

Po prawej stronie znajduje się sekcja Przegląd audio. Po prostu kliknij opcję Generuj. Wygenerowanie nowego podcastu zajmuje kilka minut. Oto, co tym razem otrzymaliśmy.

Artykuł oryginalny: Upadek Intela: jak sztuczna inteligencja generacji pomogła zdetronizować giganta i przekształcić komputery, jakie znamy
Ścieżka dźwiękowa wygenerowana przez sztuczną inteligencję: kliknij tutaj, aby posłuchać

Jeśli chcesz wyeksportować plik, możesz kliknąć menu z trzema kropkami i wybrać opcję pobierania. Witryna pobiera plik WAV, chociaż konieczne będzie dodanie rozszerzenia .WAV. I tyle.

Jedna krótka uwaga: po około czterech minutach jest jeden mały błąd. Męski głos powtarza zdanie. Sam popełniłem ten sam błąd w webcastach i transmisjach, ale nadal.

Zdumiewające implikacje

Po pierwsze, poświęćmy chwilę, aby docenić, jak niesamowite są wyniki. Te dwa nagrania pokazują dogłębne zrozumienie, umiejętność pisania odpowiednich dialogów oraz umiejętność dodawania nowych informacji, które są istotne kulturowo, a nawet wrażliwe. I to wszystko, zanim przejdziemy do jakości głosów, a nawet barwy wokali.

Osobiście początkowo odczułem to jako uderzenie w brzuch. Jako autor książek umiejętność „dawania dobrego radia” jest niezbędna podczas promocji książek i wycieczek po książkach. Doskonaliłem swoje umiejętności przez ponad 15 lat, wysilając się przy każdym występie, a wciąż nie jestem tak dobry jak ci dwaj fałszywi nadawcy.

Tak, wykorzystali mój artykuł (a później Jasona) jako materiał do dyskusji. Jednak wyniki tej jakości sprawiają, że twórcy i producenci treści, tacy jak ja, zaczynają odczuwać gorąco. NotebookLM nie miał innego wyjścia, jak tylko przyspieszyć prędkość mówienia. Teraz wyobraź sobie, że mógłbyś wybrać głośniki, style i być może edytować trochę skryptu wygenerowanego przez sztuczną inteligencję.

Pozostaje jeszcze pytanie, co jest rzeczywiste. W zeszłym tygodniu pokazałem, jak Vision Pro sprawił, że 20-letnie zdjęcie mojego dawno nieistniejącego kotka wyglądało na prawdziwe tuż przed moimi oczami. Teraz pokazuję, jak maleńki element w rogu eksperymentalnego notebooka Google może stworzyć dwa całkowicie wyprodukowane głośniki, których nie można odróżnić od człowieka.

Od lat mamy możliwość zniekształcania rzeczywistości w Photoshopie i innych narzędziach do edycji. Twórcy filmów wykorzystali efekty specjalne, aby stworzyć fałszywą rzeczywistość w opowiadaniu historii. Już samo wykonanie zdjęcia na kliszy zmienia nieco rzeczywistość.

To zdjęcie mojego kota było 1/250 sekundy migawką jej rzeczywistości i można było zobaczyć jedynie to, co widziała kamera i jak proces wywoływania (który wciąż był filmem) reagował na światło zawarte w emulsji filmu.

Więc to nie jest tak, że nagle potrafimy udawać rzeczywistość. Chodzi o to, że jesteśmy w stanie rozszerzyć fałsz na rzeczywistość. Migawka kota to coś innego niż zobaczenie go, jakby był prawdziwy, tuż przed tobą. Scenariusz wygenerowany komputerowo znacznie różni się od słuchania dwóch profesjonalistów zajmujących się transmisją, prowadzących dynamiczną dyskusję na interesujący go temat.

Jest jeszcze kwestia kosztów i szybkości. Żeby było jasne, przekształcenie mojego artykułu w podcast kosztowało Google miliardy dolarów. Ale nic mnie to nie kosztowało. To też trwało chwilę. To ogromne zmniejszenie bariery wejścia do produkcji treści.

Niepokojące jest również to, że niektóre firmy decydują się na korzystanie z treści generowanych przez sztuczną inteligencję, zamiast zatrudniać do tego specjalistów takich jak ja i Jason. Pracowałem nad tym artykułem przez dwa dni, ponieważ próbowałem znaleźć odpowiedni sposób na opowiedzenie tej historii.

Kiedy jednak wrzuciłem do ChatGPT zachętę „napisz artykuł o zdumiewających możliwościach programu Google NotebookLM firmy Google do tworzenia podcastów audio i wynikających z tego konsekwencji” w niecałą minutę otrzymałem całkiem dobrze przemyślany artykuł.

Mój artykuł jest wyraźnie głębszy i pełniejszy, czerpie z niuansów mojego osobistego stylu, a także moich doświadczeń i wyborów. Ale wersja wygenerowana przez ChatGPT nie jest zła. Napisał szczegółowe przemyślenia na te pięć tematów:

Demokratyzacja tworzenia treści
Transformacja edukacji i dzielenia się wiedzą
Wpływ na przemysł kreatywny
Nowe pytania etyczne
Zmiana ekonomiki podcastów

To imponujące jak na minutę pracy.

Aplikacja Google NotebookLM skłoniła mnie do zastanowienia się nad rodzajami usług, jakie może to zapowiadać. Nagrywam dużo filmów na YouTube i szczerze mówiąc, mam zaległości. Czy pewnego dnia mógłbym mieć coś takiego jak funkcja Generuj, która tworzyłaby sekcję gadającej głowy w filmie na YouTube, sprawiając wrażenie, jakbym dawał występ?

Z jednej strony może to zaoszczędzić mnóstwo czasu i dać szansę na nadrobienie zaległości. Ale z drugiej strony, święty straszny Batmanie! Czy chcę mieć podobizne mnie biegającą i mówiącą Bóg wie co, wyznającą przekonania, z którymi mógłbym się nie zgodzić, a nawet które uznać za odrażające? A co, jeśli sama sztuczna inteligencja ma halucynacje, ignoruje lub błędnie interpretuje swoje bariery i wyrzuca coś głęboko niewłaściwego? To nie jest tak, że nigdy wcześniej się to nie zdarzyło.

Ilu znajomych, wyborców i klientów mogłoby zobaczyć coś takiego i nie rozpoznać, że to deepfake? Jak duży bałagan byłoby posprzątać? Czy kosztowałoby mnie to występ lub przyjaźń albo zraniłoby uczucia osoby, na której mi zależy?

Zawsze lubiłem nowe technologie. Sztuczna inteligencja fascynuje mnie odkąd napisałem jedną z najwcześniejszych prac akademickich na temat społecznych implikacji sztucznej inteligencji, jeszcze w czasach drewnianych statków i żelaznych programistów.

Ale zaczynam lepiej rozumieć, jak musieli się czuć luddyści, XIX-wieczni robotnicy tekstylni, którzy sprzeciwiali się używaniu maszyn automatycznych.

Choć jestem pod wrażeniem generatywnej sztucznej inteligencji i choć osobiście uważam ją za korzystną, tak zaawansowane możliwości, które są jedynie zwiastunami znacznie bardziej zaawansowanej najbliższej przyszłości, cóż, przerażają mnie.

Oczywiście istnieje również strona równania ze spamem. Algorytm coraz częściej prezentuje mi w YouTube wąskie filmy na tematy, które mnie interesują, a po ich obejrzeniu dowiaduję się, że są one wyraźnie generowane przez sztuczną inteligencję. Zalew tych filmów nie tylko stwarza nieuczciwą konkurencję dla prawdziwych twórców, ale także marnuje czas widzów. Co gorsza, wypierają prawdziwych ekspertów, którzy w przeciwnym razie mogliby produkować filmy na te tematy.

Moc ludzkiego detektora BS

Ale o to chodzi. Kiedy filmy wygenerowane przez sztuczną inteligencję ukazały się po raz pierwszy, czasami nie było jasne, czy są prawdziwe, czy nie. Ale po około roku od razu staje się oczywiste, co jest śmieciem sztucznej inteligencji, a co zostało starannie wykonane przez człowieka.

Można to nawet stwierdzić, słuchając dwóch przykładowych podcastów, które udostępniłem. Pierwsza wstrząsnęła mną do głębi. A to drugie jest bardzo, bardzo dobre. Ale posłuchajcie jednego po drugim, a stanie się całkowicie jasne, że istnieje pewien wzór. My, ludzie, którzy większość lub całe życie spędziliśmy w intensywnym środowisku medialnym, precyzyjnie dostroiliśmy detektory BS. Daj nam kilka lat takich rzeczy, a będziemy w stanie przejrzeć nawet najlepszą wygenerowaną sztuczną inteligencję.

Najważniejsze pytanie brzmi, czy ludzie, którzy płacą twórcom, będą się tym przejmować. Myślę, że tak. Nie ma wątpliwości, że na przykład Jason Perlow pisze artykuły technologiczne, przedstawiając swoją własną, dogłębną perspektywę. Większość z tego, o czym pisze, to dziedziny, o których obaj dużo wiemy.

Ale koniecznie czytam jego teksty, ponieważ zawsze uczę się z jego wyjątkowej perspektywy. Nie sądzę, że sztuczna inteligencja może tego sklonować i dlatego ma tak dużą rzeszę prawdziwych fanów, którzy cenią jego niepowtarzalny głos i nie mogą się doczekać każdego nowego dzieła, które stworzy.

Tak więc, chociaż niektórzy wydawcy i agregatorzy mediów zawsze będą wybierać tanie rozwiązania, wszystkie zaczną się ze sobą łączyć, zwłaszcza gdy algorytmy sztucznej inteligencji zaczną porywać się w oparciu o wspólny, choć ogromny, blok danych szkoleniowych. Ale ZDNET, składający się z wyjątkowo doświadczonych pisarzy, takich jak Jason i ja, oraz naszych nieustraszonych redaktorów, zawsze będzie cenił wyjątkowość, człowieczeństwo i głębię perspektywy, którą wnosimy tylko my - a co za tym idzie, daje ZDNET swój własny, niepowtarzalny tożsamość wśród innych witryn z najlepszymi technologiami.

Nie jest to coś, co sztuczna inteligencja może zrobić i prawdopodobnie nigdy nie będzie w stanie.