Project VoCo: nowe oprogramowanie Adobe wygeneruje nagranie ze słowami, których nigdy nie powiedziałeś

Niedawna, zorganizowana w San Diego konferencja Adobe MAX przyniosła ciekawe wieści. Reprezentujący Adobe Zeyu Jin ujawnił, że firma pracuje nad oprogramowaniem, pozwalającym na generowanie na podstawie próbek głosu danej osoby nowych nagrań, zawierających słowa, których dana osoba nigdy nie wypowiedziała.

Narzędzie znane jest na razie pod nazwą Project VoCo i jest dalekie od doskonałości, a tym bardziej komercyjnego wdrożenia. Prowadzone przez Adobe wspólnie z Uniwersytetem Princeton badania mają na celu stworzenie oprogramowania do edycji głosu, wśród którego funkcji znajdzie się m.in. usuwanie szumów i innych zakłóceń, zaawansowana edycja i – co budzi chyba największe zainteresowanie – możliwość generowania na podstawie nagranych próbek głosu nowych słów.

W praktyce oznacza to, że dysponując nagraniami danej osoby będziemy mogli tworzyć kolejne o dowolnej treści. Na razie sprowadza się to do wstawiania w wypowiedź dodatkowych, pojedynczych słów.

Całość prezentuje się nad wyraz interesująco, choć z drugiej strony wygląda na to, że Adobe staje się specjalistą od fałszowania rzeczywistości: po Photoshopie, dzięki któremu możemy pokazać na zdjęciu cokolwiek zechcemy, nadchodzi czas dowolnego preparowania nagrań. Nie ukrywam, że – jak dla mnie – to trochę niepokojące.

Mam świadomość, że moje doszukiwanie się jakichś niecnych możliwości wykorzystania narzędzia Adobe może zakrawać na paranoję. Ale – na swoje usprawiedliwienie – mam fakt, że piszę to w kraju, w którym wszystkie zmiany ekipy rządzącej, jakie miały miejsce od kilkunastu lat, następowały w jakiejś mierze właśnie za sprawą nagrań.

Jeśli ktoś miałby wątpliwości: wystarczy sobie przypomnieć o aferze z Lwem Rywinem, nagranym przez naczelnego „Gazety Wyborczej”, oznaczającej koniec rządów SLD – PSL. Kilka lat później upublicznienie nagrania korumpowania Renaty Beger zaowocowało upadkiem rządu PiS, a całkiem niedawno nagrania „kelnerów” walnie przyczyniły się do przegranej PO.

W takim kontekście moje obawy wydają mi się uzasadnione. I choć przypuszczam, że przez jakiś czas eksperci zajmujący się dźwiękiem będą w stanie odróżnić słowa oryginalne od tych, które zostały wygenerowane przez algorytm Adobe, to z czasem różnica będzie coraz mniej dostrzegalna, aż w końcu całkiem zniknie.

Może to dobrze, bo nagrania, którymi można dowolnie zmanipulować, przestaną mieć jakąkolwiek wartość?