Synthesia، استارتاپ ساخت آواتارهای ویدئویی، برای نخستین‌بار یک آواتار تعاملی هوش مصنوعی برای یک خبرنگار ساخت. این آواتار برای «Dom»، خبرنگار TechCrunch طراحی شده و بر اساس یک مقاله او درباره کلاهبرداری در استارتاپ‌های حمایت‌شده توسط سرمایه‌گذاران خطرپذیر آموزش دیده است.

چگونه ساخته شد؟#

برای ساخت این آواتار، Dom در یک استودیوی فیلمبرداری کوچک در دفتر نیویورک Synthesia حاضر شد. تیم فنی او در این مرحله از او عکس‌های متعددی گرفتند و یک ضبط دو دقیقه‌ای از صدای او ثبت کردند. پس از دریافت رضایت کتبی، دو نوع آواتار برای او ساخته شد: یک آواتار شخصی که صرفاً متن واردشده را می‌خواند و یک آواتار تعاملی که می‌تواند با کاربر گفتگو کند. هر دو نسخه با و بدون عینک در دسترس قرار گرفتند.

آواتار تعاملی از ترکیبی از مدل‌های تبدیل گفتار به نوشتار، پردازش زبان، تبدیل نوشتار به گفتار و مدل ویدئویی Synthesia استفاده می‌کند. این شرکت امکان استفاده از سرویس‌های جایگزین مانند ElevenLabs، Google یا OpenAI را نیز برای مشتریان خود فراهم کرده است.

محدودیت‌های عملکردی#

آواتار تعاملی Dom به‌صورت «قطعی» (deterministic) برنامه‌ریزی شده است؛ یعنی تنها در چارچوب موضوع مقاله‌ای که بر روی آن آموزش دیده، پاسخ می‌دهد. هنگامی که خبرنگار از آن سؤالات شخصی مانند محل زندگی یا سوابق شغلی خود پرسید، آواتار اصرار داشت که گفتگو را به موضوع مقاله بازگرداند. حتی اعضای خانواده او نیز نتوانستند اطلاعات شخصی از آن دریافت کنند.

اگرچه صدای تولیدشده تا حد زیادی شباهت داشت، اما دوستان او معتقد بودند که شباهت ظاهری آواتار تعاملی به نسخه شخصی کمتر بود. مادر او آن را «شگفت‌انگیز» توصیف کرد، اما در عین حال به دلیل ناتوانی در دریافت پاسخ‌های شخصی، از آن شوخ‌طبعی کرد.

تحلیل تحریریه: جایگاه آواتار در روزنامه‌نگاری#

این پروژه نشان می‌دهد که فناوری آواتارهای هوش مصنوعی در حال ورود به حوزه‌های تخصصی مانند روابط عمومی و احتمالا روزنامه‌نگاری است. اما محدودیت‌های فعلی، به‌ویژه ناتوانی در پاسخ‌گویی به سؤالات خارج از اسکریپت یا داده‌های آموزشی، عملاً کاربرد آن را در گزارش‌دهی زنده یا مصاحبه‌های آزاد کاهش می‌دهد.

برای خبرنگاران و تولیدکنندگان محتوا، این ابزار ممکن است در آینده برای پاسخ‌گویی به سؤالات متداول درباره مقالات خاص مفید باشد، اما جایگزینی برای اعتماد مخاطبان نیست. همان‌طور که خود Dom اشاره می‌کند، بخش عمده‌ای از روزنامه‌نگاری بر پایه اعتماد استوار است و این اعتماد به‌سختی قابل انتقال به یک آواتار است. بنابراین، اگرچه این فناوری برای خودکارسازی فرآیندهای تکراری یا آموزش کارکنان (مانند محصول Roleplay Sessions شرکت Synthesia) مناسب است، اما در حال حاضر نمی‌تواند نقش انسانیِ خبرنگار را در تحلیل، تحقیق و ایجاد ارتباط انسانی ایفا کند.

منبع: TechCrunch AI