صدای مصنوعی: وقتی هوش مصنوعی با صدای شما حرف می زند

26 آبان 1405 - خواندن 9 دقیقه - 8 بازدید

# صدای مصنوعی: وقتی هوش مصنوعی با صدای شما حرف می زند

## مقدمه

تصور کنید نیمه شب یک پیام صوتی از یکی از نزدیک ترین دوستانتان می رسد: با صدای خودش، با همان لحن و مکث های آشنا، می گوید در دردسر افتاده و فوری به پول نیاز دارد. شما صدا را می شناسید؛ پس شک نمی کنید. اما چند روز بعد معلوم می شود آن پیام هرگز از طرف دوست شما فرستاده نشده است؛ صدا واقعی بوده، اما گوینده نه. تا همین چند سال پیش چنین سناریویی به فیلم های علمی تخیلی شباهت داشت؛ امروز با چند ثانیه صدای ضبط شده می توان صدای هر کسی را بازسازی کرد. این یادداشت می پرسد: صدای مصنوعی دقیقا چطور کار می کند، برای تولیدکنندگان محتوا چه فرصت هایی می سازد و در برابر سوءاستفاده از آن چه باید کرد؟

## از صدای ماشینی تا تقلید صدا

نسل اول سیستم های تبدیل متن به گفتار، صدای انسان را مثل پازل می ساختند: قطعه های ضبط شده از هجاها و کلمات را کنار هم می چیدند. نتیجه قابل فهم بود، اما لحن آن خشک و ماشینی بود و هر صدای جدید به ساعت ها ضبط در استودیو نیاز داشت. نسل بعد، شبکه های عصبی، موج صدا را مستقیم تولید کردند و طبیعی تر حرف زدند؛ اما برای ساختن صدای یک شخص مشخص هنوز باید همان شخص ساعت ها متن می خواند. مشکل اصلی این بود: صدا، برخلاف متن، پیوسته و پر از جزئیات ظریف است؛ بلندی، آهنگ، مکث و حتی آکوستیک اتاق، همه بخشی از هویت یک صدا هستند و مدل های قدیمی نمی توانستند این ها را از یک نمونه کوتاه یاد بگیرند.

## نقطه عطف: وقتی گفتار به «زبان» تبدیل شد

تحول بزرگ در ژانویه ۲۰۲۳ رخ داد؛ زمانی که پژوهشگران مایکروسافت مدل VALL-E را معرفی کردند. ایده آن ها این بود: به جای پیش بینی موج صدا، اول آن را با یک کدک صوتی عصبی به رشته ای از نشانه های گسسته تبدیل کنند؛ چیزی شبیه کلمات در یک جمله. بعد، یک مدل زبانی یاد گرفت نشانه بعدی را پیش بینی کند؛ یعنی مدل، صدا را مثل یک زبان یاد گرفت. VALL-E با ۶۰ هزار ساعت گفتار انگلیسی از بیش از ۷ هزار گوینده آموزش دید و توانست با فقط سه ثانیه نمونه از صدای یک فرد ناشناس، جمله های تازه را با همان صدا بسازد؛ بدون هیچ آموزش اضافه، و با حفظ لحن احساسی و فضای آکوستیک نمونه اصلی. نسخه بعدی، VALL-E 2، در ژوئن ۲۰۲۴ به گفته پژوهشگرانش برای نخستین بار به سطحی برابر با انسان رسید. مایکروسافت به خاطر خطر سوءاستفاده، وزن ها و کد این مدل ها را منتشر نکرد.

چند ماه بعد، متا مدل Voicebox را معرفی کرد؛ مدلی که گفتار را مثل پر کردن جای خالی در یک جمله یاد می گیرد: بخشی از صدا و متن داده می شود و مدل بخش جاافتاده را بازسازی می کند. Voicebox با بیش از ۵۰ هزار ساعت صدا آموزش دید، به شش زبان حرف می زد، با حدود دو ثانیه نمونه سبک صدا را می گرفت، کلمه اشتباه خوانده شده را اصلاح می کرد، نویز را حذف می کرد و صدای یک گوینده را به زبان دیگر منتقل می کرد؛ و به گفته متا، تا ۲۰ برابر سریع تر از مدل های هم رده خود بود. متا هم به همان دلیل مایکروسافت، آن را منتشر نکرد. پیام این دو پژوهش روشن بود: مسئله دیگر «آیا می شود صدا را تقلید کرد؟» نیست؛ بلکه «با چه سرعتی و با چه قدر نمونه؟» است.

## از آزمایشگاه تا ابزار روزمره

آنچه در مقاله ها پنهان ماند، خیلی زود به شکل ابزار تجاری در دسترس همه قرار گرفت. سرویس هایی مانند ElevenLabs امروز با یک تا دو دقیقه صدای تمیز، یک نسخه فوری از صدا می سازند و برای نسخه حرفه ای تر، نمونه طولانی تر و یک عبارت تاییدی می خواهند. همین ابزارها می توانند یک متن را به ده ها زبان بخوانند و حتی ویدیو را به زبان دیگر دوبله کنند، در حالی که صدا و لحن گوینده اصلی حفظ می شود.

برای یک تولیدکننده محتوا این یعنی تغییری واقعی در روند کار. فرض کنید برای یک برند تبلیغ ویدیویی می سازید: به جای اینکه برای هر اصلاح متن، گوینده دوباره به استودیو برود، متن را اصلاح می کنید و روایت تازه را با همان صدا تحویل می گیرید. یا یک آموزش کوتاه را یک بار با صدای خودتان ضبط می کنید و همان صدا نسخه انگلیسی آن را هم می خواند. کاربرد انسانی آن هم چشمگیر است؛ کسانی که به خاطر بیماری صدایشان را از دست داده اند، می توانند با چند دقیقه از صدای ضبط شده قدیمی شان دوباره حرف بزنند. یک نکته عملی هم برای محتوای فارسی وجود دارد: کیفیت این ابزارها در فارسی هنوز به پای انگلیسی نمی رسد؛ پس پیش از انتشار، خروجی را کامل گوش بدهید.

## سمت تاریک ماجرا: وقتی صدا ابزار کلاهبرداری می شود

اما همان فناوری، یک تهدید جدی هم ساخته است. در نظرسنجی جهانی مک آفی در سال ۲۰۲۳، از ۷ هزار نفر در هفت کشور، یک نفر از هر چهار نفر گفته بود خودش یا کسی که می شناسد هدف کلاهبرداری با صدای شبیه سازی شده قرار گرفته است. از قربانیان، ۷۷ درصد گفتند پول از دست داده اند؛ ۳۶ درصد بین ۵۰۰ تا ۳ هزار دلار و ۷ درصد بین ۵ هزار تا ۱۵ هزار دلار. ۷۰ درصد پاسخ دهندگان هم گفتند مطمئن نیستند بتوانند صدای شبیه سازی شده را از صدای واقعی تشخیص بدهند؛ آزمایشگاه مک آفی هم نشان داده بود که با سه ثانیه صدا می توان تطابقی ۸۵ درصدی با صدای اصلی ساخت.

پژوهش دانشگاه کالج لندن که در سال ۲۰۲۳ در مجله PLOS ONE منتشر شد، این نگرانی را تایید می کند: ۵۲۹ شرکت کننده فقط در ۷۳ درصد موارد صدای جعلی را درست تشخیص دادند؛ حتی آموزش روش های تشخیص هم نتیجه را فقط اندکی بهتر کرد. و این با فناوری نسبتا قدیمی بود؛ مدل های امروز به مراتب واقعی تر حرف می زنند. بر اساس گزارش مرکز شکایات جرایم اینترنتی پلیس فدرال آمریکا در سال ۲۰۲۵، بیش از ۲۲ هزار شکایت مرتبط با هوش مصنوعی ثبت شده و زیان گزارش شده به حدود ۸۹۳ میلیون دلار رسیده است. الگوی کلاهبرداری معمولا یکی است: تماسی اضطراری با صدای آشنا، درخواست پول فوری و فشار برای اینکه قربانی وقت تایید کردن نداشته باشد.

دفاع در برابر این تهدید، فنی نیست؛ رفتاری است. ساده ترین راه، یک «واژه رمزی خانوادگی» است: کلمه ای که فقط اعضای خانواده می دانند و در تماس اضطراری پرسیده می شود. راه دوم، تایید از یک کانال دیگر است؛ اگر کسی با صدای آشنا پول خواست، تماس را قطع کنید و خودتان با شماره ای که از قبل دارید به او زنگ بزنید. و راه سوم، مکث کردن است: فوریت، ابزار اصلی کلاهبردار است.

## تولیدکننده محتوا چه باید بکند؟

برای کسی که با هوش مصنوعی محتوا می سازد، صدای مصنوعی هم فرصت است و هم مسئولیت. چند قاعده ساده می تواند هر دو را نگه دارد: اول، فقط صدای خودتان را شبیه سازی کنید یا برای صدای دیگران رضایت کتبی بگیرید؛ صدا هم مثل تصویر چهره، داده زیستی یک شخص است. دوم، به مخاطب و مشتری بگویید که صدا با هوش مصنوعی ساخته شده است؛ شفافیت، اعتماد را نگه می دارد. سوم، در قرارداد مشخص کنید صدای شبیه سازی شده دقیقا کجا و تا کی استفاده می شود. و چهارم، فایل های صوتی اصلی را مثل رمز عبور نگه دارید؛ همان سه ثانیه ای که برای ساختن یک روایت کافی است، برای ساختن یک کلاهبرداری هم کافی است.

## نتیجه گیری

صدا سومین رسانه ای است که پس از متن و تصویر به دست هوش مصنوعی مولد افتاده و مرز میان واقعی و ساخته شده را کمرنگ کرده است. دیگر سوال این نیست که آیا می شود صدای کسی را کپی کرد؛ سوال این است که چه کسی اجازه دارد، با چه هدفی، و مخاطب چطور بفهمد صدایی که می شنود واقعی است یا نه. پاسخ فقط فنی نیست؛ به قانون، به قرارداد، به شفافیت با مخاطب و به عادت های ساده ای مثل واژه رمزی خانوادگی نیاز دارد. برای تولیدکننده محتوا، صدای مصنوعی ابزاری قدرتمند است؛ اما قدرتش به همان اندازه مسئولیتش هم هست. کسی که این ابزار را زودتر، درست تر و شفاف تر به کار بگیرد، در رقابت محتوای آینده جلوتر خواهد بود.