Voces IA: ¿qué seguirá siendo exclusivamente humano?

Foto: VCG

Por Li Hang

Una versión generada por IA de una voz familiar ha estado apareciendo en las redes sociales chinas, promocionando productos, narrando videos cortos y prestando su voz a contenidos que van desde anuncios de comida hasta clips de entretenimiento.

Para los oyentes del pódcast de crímenes reales “Agencia de Detectives Gato Negro”, la voz puede resultar conocida. Pertenece a Mizai, la conductora del programa, cuya distintiva forma de hablar se ha vuelto popular. Pero escuchar una réplica de IA de su voz promocionando una sartén o un vestido en Douyin, la versión china de TikTok, puede ser una experiencia extraña para algunos de sus seguidores de siempre.

A la propia Mizai no le molesta la versión IA de su voz. De hecho, ella autorizó el uso de su voz mediante licencia para aplicaciones de IA como una extensión digital de sí misma. Visto así, ella puede “multiplicarse” y rendir más allá de lo habitual.

"Lo aprecio como un clon de mi voz que hace su propio trabajo en otros sitios, mientras yo sigo aquí, haciendo mi propio programa. Las dos cosas no se interfieren mutuamente", declaró al Global Times.

Esta experiencia también refleja las elecciones y los desafíos a los que se enfrentan los creadores de contenido de voz a medida que la tecnología IA se vuelve más accesible. Este novedoso escenario abaca desde las oportunidades de licencias hasta las preocupaciones sobre la propiedad y el futuro de la interpretación humana en la era de la IA.

Vida propia

El vínculo de Mizai con la IA comenzó cuando la invitaron a proporcionar muestras de voz para una función de pódcast con IA en Doubao, una aplicación de IA desarrollada por ByteDance. Su voz de IA estuvo disponible más tarde en otros productos de ByteDance, incluido Jianying, una popular aplicación de edición de video.

Desde entonces, muchos usuarios han podido seleccionar su voz generada por IA para narrar sus videos en diversas plataformas.

La respuesta de la audiencia ha sido compleja. Algunos oyentes de toda la vida se quejan de que escuchar una voz familiar en videos comerciales no relacionados con su pódcast anula la exclusiva. Otros, incluso han dejado de seguir el programa, mientras que otros instaron a tomar medidas contra lo que asumieron debería ser un uso no autorizado.

Mizai confesó que no entiende por qué algunos oyentes se sienten incómodos, aun cuando ella ve el acuerdo como una forma práctica de aprovechar mejor su popular voz.

Su decisión se debió al hecho de que las grabaciones de su voz ya circulaban por Internet. En lugar de arriesgarse a que alguien la clonara sin permiso, prefirió autorizar su uso a una gran plataforma bajo un contrato con términos bien definidos.

Para el narrador de audiolibros Man Chao, licenciar su voz también representa una oportunidad, aunque tenga otras razones.

Con más de una década como locutor y más de 200 audiolibros grabados, Man Chao aceptó proporcionar 100 horas de grabaciones para el proyecto IA de desarrollo de voz de ByteDance.

La perspectiva de dejar algo para el futuro influyó en su elección. Imagina un futuro en el que la IA pueda preservar la voz y la forma de hablar de una persona más allá de su muerte.

"Espero que cuando mi hija sea mayor y tenga canas, todavía pueda comunicarse con una versión digital de mí que fue hecha en mi mejor momento", destacó Man Chao.

¿De quién es la voz?

No todos los creadores de contenido de voz están listos para aceptar este tipo de acuerdos.

La actriz de doblaje china Ji Guanlin, reconocida por su trabajo en cine, televisión y animación (que incluye “Emperatrices en el Palacio” y la versión del chino del mítico filme “Titanic”), ha adoptado un enfoque más cauteloso.

Ella ha recibido varias invitaciones de empresas y plataformas de IA para licenciar su voz, pero aún no ha concretado ninguna colaboración real. Su duda no se debe a que se oponga a la tecnología en sí, sino al deseo de que existan salvaguardias más claras sobre la protección legal, la supervisión de las plataformas, el uso comercial y los intereses de los intérpretes.

Ji y muchos de sus colegas han presenciado casos en los que sus voces se utilizaron sin permiso en videos y contenidos de audio. Algunos profesionales lo han denunciado públicamente, y los más exigentes han recurrido a la vía legal.

"Nunca me he opuesto a la IA. Es una tecnología nueva y neutral. A lo que me opongo es al uso indebido y a la apropiación no autorizada de la voz de las personas", declaró Ji al Global Times. Y añadió que espera poder trabajar con regulaciones más claras y licencias más transparentes.

Expresión irremplazable

Más allá de las cuestiones de propiedad, la tecnología de voz por IA también está reconfigurando la creación de contenidos y el trabajo de los creadores.

Mizai ve un potencial considerable en la tecnología IA, particularmente en la reducción de las barreras para crear contenido de audio y video. Las tareas que antes requerían un equipo de producción entero podrían llegar a ser gestionadas por una sola persona con herramientas de IA, ofreciendo a los creadores una mejor oportunidad para narrar sus historias.

También Mizai valora el potencial que tienen las aplicaciones de accesibilidad, desde ayudar a personas con discapacidad visual a escuchar libros hasta restaurar la voz de quienes han perdido la capacidad de hablar.

Para Man Chao, el impacto de la IA plantea dudas sobre la competencia profesional. Con el tiempo, la IA podría reemplazar a los profesionales menos experimentados, mientras que los narradores consagrados mantendrán su ventaja gracias a su popularidad y a la complejidad de sus interpretaciones.

A pesar de la novedad disruptiva, los tres coinciden en que creen que los intérpretes humanos seguirán siendo irremplazables aunque las voces generadas por IA sean cada vez más sofisticadas. En este sentido, Mizai señaló que, si bien la IA puede reproducir características vocales, no puede capturar por completo los cambios naturales en la emoción y la expresión de una interpretación humana.

Man Chao coincide con esa perspectiva. Y aunque proporcionó alrededor de 100 horas de grabaciones para el desarrollo de la voz de IA, la voz sintética resultante todavía se le queda corta en comparación con la suya propia. Las grabaciones pueden ayudar a la IA a imitar su voz y su forma de expresión, pero no pueden reproducir todo los matices que tiene su interpretación.

Del mismo modo, Ji ve una gran diferencia en las variaciones sutiles que surgen naturalmente durante la actuación. Un actor puede interpretar la misma frase varias veces, y cada toma tendrá ligeras diferencias en la emoción, el ritmo y la expresión que nace de una respuesta inmediata.

"El arte se arraiga en la expresión natural de la emoción, mientras que la producción industrial se basa en el cálculo preciso y el resultado masivo", concluyó Ji.