Spotify ممکن است از هوش مصنوعی برای ایجاد تبلیغات پادکست خوانده شده توسط میزبان استفاده کند که شبیه افراد واقعی باشد

این شرکت با دی جی هوش مصنوعی اسپاتیفای، هوش مصنوعی را با صدای یک شخص واقعی آموزش داد – صدای رئیس مشارکت های فرهنگی و میزبان پادکست، خاویر «ایکس» جرنیگان. اکنون، به نظر می رسد که پخش کننده همان فناوری را به تبلیغات تبدیل کند. بر اساس اظهارات بیان شده توسط بیل سیمونز، بنیانگذار The Ringer، این سرویس استریم در حال توسعه فناوری هوش مصنوعی است که می تواند از صدای میزبان پادکست برای ایجاد تبلیغات خواندنی میزبان استفاده کند – بدون اینکه میزبان واقعاً مجبور باشد نسخه تبلیغاتی را بخواند و ضبط کند.

سیمونز در یکی از قسمت‌های اخیر «پادکست بیل سیمونز» اظهارات خود را بیان کرد و گفت: «راهی برای استفاده از صدای من برای تبلیغات وجود خواهد داشت. بدیهی است که باید تأیید صدا را بدهید، اما از نقطه نظر تبلیغاتی، همه این امکانات عالی متفاوت را برای شما باز می کند.»

او گفت که این تبلیغات می‌توانند فرصت‌های جدیدی را برای پادکست‌ها ایجاد کنند، زیرا می‌توانند تبلیغات را هدف‌گذاری جغرافیایی کنند – مانند بلیط‌های یک رویداد محلی در شهر شنونده – یا حتی با اجازه میزبان، تبلیغاتی به زبان‌های مختلف ایجاد کنند.

نظرات او ابتدا توسط سمافور گزارش شد.

رینگر در سال 2020 توسط اسپاتیفای خریداری شد، اما مشخص نبود که آیا سیمونز مجاز است در مورد برنامه‌های پخش کننده در این زمینه صحبت کند یا خیر، زیرا او با گفتن این جمله شروع کرد: «فکر نمی‌کنم Spotify از من عصبانی شود. این…” قبل از به اشتراک گذاری اطلاعات.

Spotify برای اظهار نظر مستقیماً توسعه این ویژگی را تأیید یا رد نمی کند.

یکی از سخنگویان Spotify به TechCrunch گفت: «ما همیشه در تلاش هستیم تا تجربه Spotify را بهبود بخشیم و پیشنهادات جدیدی را آزمایش کنیم که به نفع سازندگان، تبلیغ‌کنندگان و کاربران است. چشم انداز هوش مصنوعی به سرعت در حال تکامل است و Spotify، که سابقه طولانی در نوآوری دارد، در حال بررسی طیف گسترده ای از برنامه ها، از جمله ویژگی بسیار محبوب AI DJ ما است. 500 درصد افزایش داشته است در تعداد قسمت‌های پادکست روزانه که در مورد هوش مصنوعی در ماه گذشته بحث می‌کردند، از جمله گفتگوی درک تامپسون و بیل سیمونز. تبلیغات یک بوم جالب برای اکتشافات آینده است، اما ما در حال حاضر چیزی برای اعلام نداریم.

زیرمتن این نظر نشان می دهد که اظهارات سیمونز ممکن است تا حدودی زودرس بوده باشد.

با این حال، Spotify قبلاً اشاره کرده است که DJ AI در برنامه امروز تنها کاربران صوتی هوش مصنوعی در آینده نخواهد بود. وقتی اخیراً از جرنیگان در مورد برنامه‌های اسپاتیفای برای همکاری با سایر مدل‌های صوتی در آینده پرسیده شد، او با کنایه گفت: “با ما همراه باشید.”

این استریمر همچنین بی سر و صدا در توسعه و تحقیق هوش مصنوعی سرمایه گذاری کرده است و تیمی متشکل از چند صد نفر اکنون در زمینه هایی مانند شخصی سازی و یادگیری ماشین کار می کنند. به علاوه، این تیم از مدل OpenAI استفاده کرده و در مورد امکانات مدل‌های زبان بزرگ، صدای مولد و موارد دیگر تحقیق کرده است.

توانایی Spotify برای ایجاد صداهای AI به طور خاص از IP حاصل از خرید Sonatic توسط Spotify در سال 2022 همراه با فناوری OpenAI استفاده می کند. این شرکت اخیرا به ما گفت که ممکن است در آینده از فناوری هوش مصنوعی داخلی خود استفاده کند.

برای ایجاد دی‌جی هوش مصنوعی، اسپاتیفای جرنیگان را به یک استودیو فرستاد تا ضبط‌های با کیفیت بالا، از جمله مواردی که در آن خطوطی با آهنگ‌ها و احساسات متفاوت می‌خواند، تولید کند. او مکث‌ها و نفس‌های طبیعی خود را در ضبط‌ها حفظ می‌کرد و مطمئن بود که از زبانی که قبلاً می‌گوید استفاده می‌کرد – مانند “نغمه‌ها” یا “Bangers” به جای فقط “آهنگ”. همه اینها سپس به مدل هوش مصنوعی وارد می شود که سپس صدای هوش مصنوعی را ایجاد می کند.

این شرکت توضیح داده است که جزئیات این فرآیند را با جزئیات بیشتر توضیح داده است یا اینکه چقدر طول کشیده تا ضبط های Jernigan به یک دی جی هوش مصنوعی تبدیل شود. اما، با توجه به علاقه احتمالی آن به تبدیل میزبان پادکست خود به مدل‌های صوتی هوش مصنوعی، باید یک فرآیند نسبتاً کارآمد را در اینجا توسعه دهد – و احتمالاً می‌تواند از ضبط‌های موجود پادکست استفاده کند.

در حالی که صداهای هوش مصنوعی جدید نیستند، توانایی ایجاد صدایی شبیه به افراد واقعی یک پیشرفت مدرن تر است. چند سال پیش، گوگل با هوش مصنوعی شبیه به انسان در Duplex جهان را شگفت زده کرد که می‌توانست رستوران‌ها را برای رزرو کردن شما فراخواند. اما این فناوری در ابتدا به دلیل عدم افشای آن مورد انتقاد قرار گرفت. در این ماه، اپل یک ویژگی دسترسی به نام Personal Vocie را معرفی کرد که می‌تواند صدای خود کاربر را پس از آموزش اولین مدل با صرف 15 دقیقه صرف خواندن پیام‌های انتخابی تصادفی که به صورت محلی روی دستگاه پردازش می‌شوند، تقلید کند.