Synthesia, birden fazla fotoğrafını çekip sesinin iki dakikasını kaydettikten sonra TechCrunch gazetecisi Dominic-Madori Davis’in etkileşimli bir dijital kopyasını oluşturdu. Ortaya çıkan şey yalnızca yazılı bir metni okuyan bir görüntü değildi; Avatar soruları dinliyor ve bunları metne dönüştürüyor, ardından bir dil modeli yanıtı oluşturuyor ve yanıtı sese çeviriyor; video modeli ise konuşma sırasında karakterin yüz hatlarını hareket ettiriyordu.
Gazeteci, etkileşimli kopyayı girişim sermayesi destekli şirketlerde dolandırıcılık vakalarının neden desteklenmeyen şirketlere kıyasla arttığı hakkında yazdığı bir hikâyeyle eğitmeyi seçti. Bu nedenle ikiz “deterministikti”; yani yalnızca hazırlandığı kapsam içinde yanıt veriyor ve bu kapsamın dışındaki soruları asıl hikâyeye yönlendiriyordu.
Dijital ikiz nasıl oluşturuldu?
Synthesia ekibinin modelleri oluşturması birkaç gün sürdü. Gazeteci, kendisine verilen metinleri okuyan kişisel sürümlerin yanı sıra dinleyip yanıt verebilen etkileşimli sürümler de aldı; gözlüklü veya gözlüksüz seçenekler de bulunuyordu. Sistem, video ve ses için Synthesia modellerini kullanıyor; ayrıca Cartesia, ElevenLabs, Google ve OpenAI tarafından sunulan alternatif modeller arasından seçim yapılmasına olanak tanıyor. Bunun yanı sıra ikizi müşterinin seçtiği bulutta veya Synthesia’da barındırma seçenekleri de mevcut.
Şirket bu olanakları üç ana kategoriye ayırıyor: geleneksel Avatar’ları kullanarak video oluşturma ve dağıtma platformu, anketler ve simülasyon alıştırmaları için etkileşimli Sessions platformu ve etkileşimli Avatar’lar ya da farklı ürünler oluşturmak üzere ses ve video modellerinin diğer hizmetlerle entegre edilmesini sağlayan API.
Deney neyi ortaya koyuyor?
Gazeteci, kişisel sürümde sesin kendi sesine yakın olduğunu gördü; ancak arkadaşları etkileşimli sürümdeki benzerliği daha az ikna edici buldu. Buna rağmen ortaya çıkan varlık, bir tuhaflık hissi yaratmaya yetecek düzeydeydi. Hatta ailesi, yanıtlarını yalnızca aile üyelerinin bilebileceği kişisel sorular sormayı denedi; ancak eğitimin getirdiği sınırlamalar nedeniyle yanıt alamadı.
Bu sonuç, kapsamı sınırlandırılmış bir Avatar ile açık bir sohbet modeli tarafından yönlendirilen bir kopya arasındaki önemli farkı ortaya koyuyor. İlki görece öngörülebilir, ancak eğitildiği materyalin dışında sınırlı fayda sunuyor. İkincisi ise daha esnek görünebilir, fakat uydurma yanıtlar veya denetlenmesi zor davranışlar için alan açıyor.
Bu haber neden önemli?
Yazara göre en önemli soru gazetecilikteki olası kullanım: Kamuoyu haberleri dijital bir karakterin sunmasını kabul eder mi? Bir Avatar gazetecinin yerini alabilir mi veya yöneticilerin gazetecinin kendisi yerine gazetecinin dijital kopyasıyla konuşmasına olanak sağlayabilir mi? Yazarın temel bir noktadaki tutumu açık: Gazeteciliğin özü güvendir ve bu unsurun yapay zekâya kolayca devredilebileceğini düşünmüyor.
Medyanın dışında bu fikir şirketler ve bireyler için daha cazip olabilir; zira dijital bir kopya, sahibi yokken soruları yanıtlayabilir veya eğitim ile çalışanlara ve müşterilere hizmet süreçlerine yardımcı olabilir. Ancak deney, bu modellerin insanların yerini almaya hazır olduğunu kanıtlamıyor. Aksine, yanıt kapsamının kontrol edilmesi ve ses ile görüntünün kullanımı için onay alınmasının tasarımlarının merkezi bir parçası olmaya devam ettiğini gösteriyor.
Daha geniş kullanım alanlarına ilişkin sorular ise açık kalıyor: Kamuoyu yapay bir kopyayla konuştuğunu ne zaman bilecek? Yanlış bir yanıttan kim sorumlu olacak? Dijital ikizin pratik bir arayüz olmaktan çıkıp kullanıcıda sahip olmadığı bir özerklik veya bilgiye sahip olduğu izlenimi yaratan bir karaktere dönüşmesini hangi sınırlar engelleyecek? Bunlar, teknolojinin kaçınılmaz olarak belirli bir yönde gelişeceği vaadine değil, deneyin kendi doğasına dayanan sorular.