Kā šis blogs sāka runāt manā balsī. Soli pa solim

Kāpēc es to vispār darīju

Rakstīts teksts sasniedz vienu cilvēku tipu. Balss sasniedz citu.

Daļa manu klientu neizlasa nevienu rakstu, bet noklausās visu, kas ir garāks par piecām minūtēm, braucot uz darbu. Tas nav slinkums, tā ir cita ikdiena. Ja man raksts jau ir uzrakstīts, tad neizlaist to otro auditoriju ir vienkārši nesaimnieciski.

Otrs iemesls bija godīgāks. Es gribēju zināt, cik tālu šī tehnoloģija latviešu valodā tiešām ir tikusi, nevis lasīt par to angliski.

Kur pasaule ar to ir tagad

Šī nav nākotnes tēma. Tā jau ir notikusi, tikai nevienmērīgi.

YouTube automātisko dublēšanu šogad atvēra visiem satura veidotājiem desmitiem valodu, tā ka video, kas uzņemts vienā valodā, skan citā, saglabājot autora balsi. Spotify jau agrāk testēja podkāstu tulkošanu, kur pazīstami vadītāji runā valodās, ko paši neprot. Audiogrāmatu izdošanā tas, kas maksāja tūkstošus un prasīja nedēļas studijā, tagad ir dažas dienas un daļa no tās cenas.

Tirgus aug ap ceturtdaļu gadā, un tas nozīmē vienu praktisku lietu. Rīki, kas šodien ir apgrūtinoši, pēc gada būs viena poga. Tas, ko šodien ir vērts iemācīties, nav konkrētais rīks. Tas ir process un robežas.

Soli pa solim

Es strādāju ar ElevenLabs. Ne tāpēc, ka salīdzināju visus, bet tāpēc, ka tas bija vienīgais, kas latviešu valodā deva rezultātu, ko negribas uzreiz izdzēst.

1. Savāc materiālu. Divas līdz piecas minūtes tīras runas. Studija nav vajadzīga. Man tās bija parastas balss ziņas no telefona. Vairāki īsi ieraksti ir labāki nekā viens garš ar fonu. Viens cilvēks, viena valoda, bez mūzikas fonā.

2. Uztaisi klonu. Ātrā klonēšana aizņem minūtes. Pirms tam būs jāieraksta piekrišanas frāze, ka klonē savu balsi. Tas ir apzināti, un tas ir pareizi. Atbildē dabūsi balss identifikatoru, un tas ir vienīgais, kas Tev jāsaglabā.

3. Izvēlies pareizo modeli. Šis ir tas solis, kur latviešu valodā pazūd pusstunda. Ne visi modeļi prot latviski, un tie, kas neprot, neatsakās. Tie vienkārši nolasa latviešu tekstu ar angļu fonētiku, un rezultāts ir nelietojams. Pārbaudi modeļu sarakstu un izvēlies to, kur latviešu valoda ir norādīta. Ja kaut kas skan dīvaini jau pirmajās sekundēs, problēma parasti ir šeit, nevis Tavā balsī.

4. Sagatavo tekstu runāšanai. Raksts lapā un raksts balsī nav viens un tas pats. Ārā met visu, kas ir redzams, bet nav dzirdams: pogas, saites, tabulas, atsauces, virsrakstus, kas skaļi izklausās pēc satura rādītāja. Es to daru pirms sūtīšanas, un tā ir vienīgā vieta, kur cilvēka darbs tiešām ir vajadzīgs.

5. Sadali gabalos. Vienā pieprasījumā var nosūtīt ierobežotu zīmju skaitu. Dali pa rindkopu robežām, nevis pa burtiem. Teikums, pārgriezts uz pusēm, dzirdams uzreiz un sabojā visu ierakstu.

6. Salīmē kopā ar pauzēm. Starp gabaliem ieliec pusotras sekundes daļu klusuma, citādi rindkopas sitas viena otrai virsū. Visiem gabaliem jābūt vienādā kvalitātē, citādi salīmēšana sabojā skaņu. Es to daru ar bezmaksas rīku komandrindā, un tas ir viens skripts, ne programma.

7. Ieliec lapā. Vienkāršākais ceļš ir pats vienkāršākais: gatavs mp3 fails un parasts atskaņotājs raksta augšā. Ir arī skaistāki risinājumi ar atsevišķu logrīku, bet tiem ir sava birokrātija, un pirmajā reizē tā nav tā vieta, kur tērēt vakaru.

Trīs lietas, kas man izmaksāja laiku

Viena valoda ir viens klons. Klons, kas iemācīts no latviešu runas, angliski nerunā ar manu angļu akcentu. Tas runā ar latviešu fonētikas dzinēju, kas mēģina angļu valodu. Rezultāts bija traģisks. Katrai valodai vajag atsevišķu klonu no ierakstiem tajā valodā.

Vienmēr uztaisi trīsdesmit sekundes, pirms taisi četrpadsmit minūtes. Šo likumu es uzrakstīju pēc tam, kad samaksāju par garu ierakstu, kurš aizgāja miskastē. Viens īss gabals, noklausies, tad viss pārējais.

Dārgākais variants nav labākais. Profesionālā klonēšana ar stundām studijas materiāla latviešu valodai deva sliktāku rezultātu nekā ātrā klonēšana no telefona ierakstiem, jo tā aiziet uz citiem modeļiem. Tas bija pretēji tam, ko es gaidīju.

Šī nav rīks, lai apčakarētu cilvēkus

Tagad tā daļa, bez kuras šo rakstu nevajadzētu publicēt.

Tā pati tehnoloģija, ar kuru es piecās minūtēs uztaisīju savu balsi, tikpat labi uztaisa Tavu balsi. Vai Tava grāmatveža balsi zvanā Tavam bankas darbiniekam. Krāpšana ar klonētu balsi jau nav teorija, tā notiek katru nedēļu, un tā strādā tieši tāpēc, ka balss mūsu galvā joprojām ir pierādījums.

Mani likumi ir trīs, un tie nav sarunājami.

Tikai sava balss. Cita cilvēka balsi nekad, arī jokojoties, arī ar viņa mutisku atļauju, kamēr tā nav uzrakstīta.

Vienmēr marķēts. Zem katra ieraksta ir teikums, ka tas ir AI balss. Nevis sīkā drukā, bet turpat, kur atskaņošanas poga.

Nekad tas, ko nepateiktu klātienē. Klons runā tikai to, ko esmu uzrakstījis un parakstītu ar savu vārdu.

Un tas nav tikai pieklājības jautājums. Eiropā no šī gada augusta sāk piemērot prasības marķēt mākslīgi ģenerētu saturu, tostarp balsi un video, kas atdarina reālus cilvēkus. Tas, kas šodien ir laba gaume, drīz ir pienākums. Kurš to sāk darīt tagad, tam pēc gada nav jāpārtaisa.

Balss nerada uzticēšanos. Tā to tikai nes. Ja tas, ko Tu saki, ir tukšs, perfekta balss to padara tikai skaļāku.

Cik godīgi šis skan

Es varētu apsēsties uz divām vai trim stundām un padarīt to manāmi labāku. Nostrādāt intonāciju, pauzes, svešvārdu izrunu, vietām pārrakstīt teikumus tā, lai tie labāk skan skaļi.

Šajā versijā es to neizdarīju, un tas ir apzināti. Šis ir pietiekami labs, lai to varētu klausīties, un pietiekami godīgs, lai neviens nedomātu, ka sēdēju studijā. Nepublicēts perfekts ieraksts ir sliktāks par publicētu labu.

Un tieši tā es iesaku sākt arī Tev. Pirmais ieraksts nebūs ideāls. Otrais būs labāks. Desmitais būs tāds, ka Tu pats vairs nedzirdēsi atšķirību.

Ja gribi to pārņemt savā sistēmā

Šis process manā sistēmā dzīvo kā atsevišķa prasme, tas ir, viens fails, kurā uzrakstīts, kā to izdarīt no sākuma līdz galam, lai pēc trim mēnešiem nebūtu jāatceras.

Visa mana prasmju bibliotēka ir publiska un bez maksas: https://github.com/arete-aios/aios/tree/main/skills. Paņem jebkuru no turienes kā paraugu, kā tāds fails izskatās, un uzraksti šo recepti kā savu prasmi. Viss, kas Tev tam vajadzīgs, ir šajā rakstā.

Kāpēc vispār viss ir publiski un kas tur vēl ir iekšā, par to ir atsevišķs raksts par manu atvērto AI sistēmu.

Egils Boitmanis ir biznesa konsultants uzņēmējiem un ekspertiem ar 20+ gadu pieredzi biznesā, digitālajā mārketingā, apmācībās un praktiskā AI izmantošanā. Infinitum 8 līdzdibinātājs, Google Certified Trainer un vada praktiskas AI un Lovable darbnīcas komandām.