Синтетическая речь стремительно совершенствуется. Современные алгоритмы способны имитировать интонацию, тембр и даже эмоциональные оттенки голоса настолько правдоподобно, что возникает закономерный вопрос: может ли человек на слух отличить голос искусственного интеллекта от настоящего?
Исследователи из Тяньцзиньского университета и Китайского университета Гонконга решили проверить это экспериментально. Их работа, опубликованная в научном журнале eNeuro, показывает: большинству людей сделать это удивительно трудно — даже после небольшой тренировки.
Эксперимент: человек против алгоритма
Команду ученых возглавил Сянбинь Тэн (Xiangbin Teng). В эксперименте участвовали 30 добровольцев. Им предложили прослушать серию предложений, произнесённых либо реальными людьми, либо синтезированных системой искусственного интеллекта.
Задача участников была простой: после каждого фрагмента определить, кто говорит — человек или ИИ.
Эксперимент состоял из двух этапов. Сначала добровольцы выполняли задание без какой-либо подготовки. Затем они проходили короткое обучение, где им объясняли возможные различия между синтетической и человеческой речью, и тест повторяли.
Результат оказался довольно показательным. Участники в целом плохо справлялись с задачей: отличить голос человека от искусственно сгенерированного удавалось лишь в ограниченном числе случаев. Более того, краткая тренировка почти не улучшила точность распознавания.
Что происходит в мозге
Но самое интересное выяснилось, когда ученые посмотрели на активность мозга участников. Во время эксперимента исследователи отслеживали нейронные реакции, связанные с обработкой звуковой информации.
И вот тут возник любопытный парадокс.
Хотя участники поведенчески почти не улучшили результаты, на нейронном уровне ситуация изменилась: после обучения мозг начал по-разному реагировать на человеческую и синтетическую речь.
По словам Сянбиня Тэна (Xiangbin Teng), слуховая система мозга, похоже, начинает улавливать тонкие акустические различия.
«Аудиальная система мозга, вероятно, начинает замечать едва уловимые акустические особенности. Просто люди пока не умеют надежно превращать эти сигналы в осознанное решение», — объясняет ученый.
Другими словами, мозг уже “видит” разницу, но человек еще не научился ею пользоваться.
Почему это важно
Этот результат может оказаться крайне важным в эпоху так называемых аудио-дипфейков — поддельных записей речи, созданных нейросетями. Такие технологии способны имитировать голос конкретного человека и могут использоваться для мошенничества, дезинформации или манипуляций.
Если мозг действительно способен распознавать скрытые различия между человеческой и синтетической речью, это открывает перспективу для новых методов защиты.
По словам исследователей, даже небольшой эффект обучения — уже хороший знак.
«Это обнадеживает. Возможно, тренировка действительно может помочь людям лучше различать дипфейковую речь и настоящий голос», — отмечает Тэн.
Мы только учимся жить рядом с ИИ
Авторы работы подчеркивают: низкая точность распознавания вовсе не означает, что различий не существует. Скорее наоборот — люди просто еще не привыкли к новым сигналам, которые появляются в синтетической речи.
Человечество сталкивается с подобным впервые. Наш слух и мозг десятки тысяч лет развивались, чтобы распознавать только человеческие голоса. Теперь же в аудиомире появился новый игрок — искусственный интеллект.
И, судя по результатам исследования, наш мозг уже начал адаптироваться. Просто для этого требуется время — и, возможно, более эффективные методы обучения.
