„Nie wkładaj mi w usta słów, których nie wypowiedziałem” – to zdanie powtarza się w tysiącach dyskusji, ale co by było, gdyby można było zrobić dokładnie to? Pomyślmy przez chwilę: dziś Photoshop pokazuje nam rzeczy, które nie istnieją. Widzieliśmy inicjatywy, które mogą digitalizować zmarłych aktorów i przywracać ich na wielki ekran. Asystenci na urządzeniach mobilnych doskonale rozpoznają nasz głos. Jak trudno byłoby go zatem naśladować? Project VoCo od Adobe próbuje się tego dowiedzieć.
Konferencja MAX, którą Adobe organizuje co roku, pozwala programistom i konsumentom z bliska przyjrzeć się niektórym rzeczom, nad którymi pracuje firma – czy to produktom trafiającym bezpośrednio na rynek, czy też stosunkowo niejasnym prototypom. Do tej drugiej kategorii zalicza się Project VoCo, którego nazwa wiele nie mówi, ale ma przerażający potencjał. Jaki to potencjał? Spójrzmy: wszyscy wiemy, co Photoshop potrafi w rękach eksperta. Modelki nie mają ani jednej skazy na skórze, samochody, które jeszcze nie powstały, wykonują spektakularne manewry na plaży, a politycy tracą dziesięć czy piętnaście lat, gdy prowadzą kampanię. Teraz pomyślmy o tych możliwościach zastosowanych do dźwięku. Wziąć czyjeś przemówienie, edytować je, zastępować i wstawiać słowa, których tam nie ma.
O to właśnie chodzi w Project VoCo. Jak mówi deweloper Adobe, Zeyu Jin, VoCo robi dla audio to, co Photoshop dla fotografii. Oprogramowanie jest na razie czymś w rodzaju pre-alfa, ale jeśli wierzyć krótkim pokazom, użytkownik musi jedynie wpisać tekst w małym oknie dialogowym, a VoCo odtworzy go, używając dokładnie tego samego głosu. Oczywiście taka funkcja wymaga bardzo szerokiej analizy dźwięku, a kilka źródeł wskazuje, że VoCo potrzebuje co najmniej 20 minut nagrania, aby wiernie go odtworzyć. Jeśli przeliczyć, ile średnio trwają przemówienia niektórych polityków, jestem przekonany, że VoCo ma aż nadto materiału.
Chociaż Adobe ma uzasadnione powody, aby rozwijać projekt o takich cechach, etyczne alarmy nie milkną. Jak zawsze, wina nie leży po stronie narzędzia, ale tego, kto go używa. Jeśli VoCo trafi w nieodpowiednie ręce, logiczne i spójne przemówienie może zostać zmienione w agresywne lub wojownicze… i odwrotnie. Już teraz trudno nam wykryć edytowane obrazy i fałszywe filmy. Wyobraźmy sobie rozszerzenie tego konfliktu na nagranie audio, które może trwać kilka godzin. Mimo to będziemy śledzić VoCo z bliska.
