Voicebox es una nueva herramienta de inteligencia artificial presentada por Mark Zuckerberg y su empresa, Meta. Capaz de imitar cualquier voz y producir clips de audio de alta calidad, Voicebox ha sido entrenada con más de 50.000 horas de audiolibros en varios idiomas. La aplicación más conocida de esta tecnología es la de permitir a personas con discapacidad visual escuchar mensajes escritos en sus propias voces. A pesar de su potencial beneficios, Meta ha decidido no hacer pública la IA debido a los riesgos potenciales de mal uso, como la creación de deepfakes y estafas.
¿Qué es Voicebox?
Voicebox es una herramienta de inteligencia artificial generativa de voz creada por la compañía Meta y presentada por Mark Zuckerberg. Esta innovación tecnológica es la primera capaz de imitar cualquier voz y generar clips de audio de alta calidad con resultados hasta 20 veces más rápidos que otros modelos de inteligencia artificial. Voicebox ha sido entrenada con más de 50.000 horas de audiolibros en varios idiomas y puede producir voz contextual a partir de texto y eliminar ruidos no deseados. Para comprender en profundidad qué es Voicebox, debemos hablar de inteligencia artificial generativa de voz, la capacidad de crear sonidos sintéticos que imiten las características de la voz humana. En este sentido, Voicebox es un modelo innovador que utiliza técnicas avanzadas de procesamiento de señales de voz, redes neuronales profundas y aprendizaje por refuerzo para lograr resultados de alta calidad. La herramienta no solo es capaz de imitar la voz de cualquier persona, sino que también puede manipular la información de audio para hacerla más creíble y transferir estilos entre idiomas. Además, puede aplicar la voz de un locutor a salidas en diferentes idiomas, lo que la convierte en una herramienta multilingüe. Voicebox es un importante avance en la investigación de inteligencia artificial generativa para el ámbito del audio. Siendo capaz de producir una voz que se asemeja a la de una persona real, esta tecnología tiene una amplia variedad de aplicaciones que pueden mejorar la calidad de vida de muchas personas. En la siguiente sección, veremos cómo funciona Voicebox y cuáles son las características que la hacen tan innovadora.
¿Cómo funciona Voicebox?
Voicebox es una herramienta de inteligencia artificial generativa de voz diseñada por Meta que utiliza algoritmos de deep learning para imitar cualquier voz. Al imitar la voz de un orador, Voicebox produce clips de audio de alta calidad que pueden usarse en una amplia variedad de aplicaciones.
Entrenamiento de Voicebox
Para entrenar Voicebox, se utilizó una red neuronal de alta capacidad para procesar más de 50.000 horas de audiolibros en varios idiomas. La atención se centró en el entrenamiento con voces humanas que muestran una amplia gama de tonos y entonaciones, para que la herramienta sea capaz de imitar casi cualquier voz humana. Esto permite a Voicebox generar una voz que se parezca a la del orador de origen y también permite la síntesis de voz en diferentes idiomas.
Funciones de Voicebox
Edición de audio para hacerlo más creíble
Además de imitar cualquier voz, Voicebox también puede editar clips de audio para hacerlos más creíbles. La herramienta utiliza tecnología de modelado de habla para que las palabras y frases sean más naturales y coherentes. De esta manera, el audio generado por Voicebox es difícil de distinguir de una voz humana real.
Síntesis de voz contextual de texto a voz
Voicebox permite también la síntesis de voz contextual de texto a voz, lo que significa que la herramienta puede generar habla a partir de un texto escrito. Voicebox usa su capacidad de modelado de habla para producir una voz que suena natural, que imita el tono y la entonación que la herramienta aprendió durante su entrenamiento.
Eliminación de ruidos no deseados
Voicebox tiene la habilidad de eliminar ruidos no deseados del audio, como el ruido de fondo y los chasquidos y crujidos que se pueden encontrar durante la grabación. Esto permite al usuario obtener audios más limpios y reducir la necesidad de edición posterior.
Transferencia de estilo entre idiomas
Un aspecto muy interesante de Voicebox es su capacidad para transferir estilos entre idiomas distintos. Esto significa que, con este programa, se puede aplicar la voz de un locutor a una salida en diferentes idiomas. Así, se puede tener a un locutor grabando en un idioma y la herramienta los traducirá a otros idiomas manteniendo su voz y estilo.
Multilingüismo
Finalmente, Voicebox es multilingüe, es decir, que puede utilizar su capacidad de modelado de habla en varios idiomas diferentes al mismo tiempo. Esto es muy útil para proyectos de audio que involucran múltiples lenguas.
¿Cuáles son sus aplicaciones?
Voicebox tiene diversas utilidades, algunas especialmente provechosas para las personas con discapacidad visual, para quienes la herramienta de inteligencia artificial puede resultar muy beneficiosa. No obstante, la capacidad que tiene Voicebox de imitar cualquier voz y producir clips de sonido de alta calidad permite que tenga otras aplicaciones. A continuación, se detallan algunas de las más relevantes:
Ayuda a personas con discapacidad visual
La principal novedad de Voicebox es que permite a las personas con discapacidad visual escuchar mensajes escritos de sus amigos en sus propias voces. De esta manera, se eliminan las barreras de comunicación impuestas por su condición. Voicebox se ha entrenado con más de 50.000 horas de audiolibros para ser infalible en la generación de textos con voz. Esto posibilita que las personas con discapacidad visual, que tienen problemas para leer, puedan comprender mejor los contenidos.
Producción de pistas de audio de alta calidad
Además de lo anterior, la herramienta también puede ser utilizada por nuevo modelos de negocios o personas que trabajan en el área del diseño sonoro para producir pistas de audio de alta calidad o efectos de sonido que pueden ser empleados en videojuegos, videos, anuncios publicitarios, entre otras cosas. Con Voicebox es posible grabar cualquier tipo de mensaje de manera rápida y sencilla, con una voz personalizada y claramente audible. Además, el hecho de que la herramienta sea multilingüe le da una gran flexibilidad para ser usada en diferentes contextos.
¿Por qué Voicebox no está disponible para el público?
A pesar de las aplicaciones beneficiosas que Voicebox podría tener, como permitir a personas con discapacidad visual escuchar mensajes escritos de sus amigos en sus propias voces, Meta ha decidido no hacer pública la herramienta. La razón principal es que existe un gran potencial de mal uso por parte de personas con intenciones maliciosas.
Riesgos potenciales de mal uso
Uno de los mayores riesgos es la creación de deepfakes, vídeos falsos que parecen reales y que podrían usarse para difundir información falsa o para engañar a las personas. También existe el peligro de que se creen estafas de audio, en las que se haganse creer a las personas que están escuchando a alguien que no es quien dice ser.
Además, el uso de Voicebox para imitar la voz de una persona sin su consentimiento podría comprometer su privacidad y seguridad. Esto podría ser especialmente preocupante en el caso de figuras públicas y políticos, cuyas voces podrían ser usadas para difundir información falsa o incluso para chantajearlos.
