فيل مارشال، المؤسس والرئيس التنفيذي لشركة Spoken – سلسلة المقابلات

Phil Marshall، المؤسس والرئيس التنفيذي لشركة Spoken، هو طبيب ومخترع ورائد أعمال تقني وكاتب خيال علمي، وقد امتدت مسيرته عبر الرعاية الصحية، الإعلام الرقمي، الذكاء الاصطناعي، وابتكار المنتجات. قبل إطلاق Spoken في عام 2024، شارك مارشال في تأسيس Conversa Health، شركة التفاعل الشخصي مع المرضى والذكاء الاصطناعي الحواري التي استحوذت عليها Amwell في عام 2021 وأصبحت جزءًا من أعمال الرعاية الافتراضية الآلية لديها. في مرحلة سابقة من حياته المهنية، قضى أكثر من عقد من الزمن في WebMD كنائب رئيس استراتيجية المنتج، ثم شغل منصب نائب الرئيس الأول لإدارة المنتج في Press Ganey Associates، وأسّس شركة تقنية الفيديو التعاونية الناشئة JumperCut. يتركز عمله الآن بشكل متزايد على تقاطع الذكاء الاصطناعي، السرد القصصي، واجهات الدماغ-الحاسوب، وتقنيات المعرفة، جامعًا بين خلفيته كمت technologist ورائد أعمال واهتماماته بالخيال العلمي وأشكال التفاعل الرقمي الناشئة.

Spoken هو منصة كتب صوتية مدعومة بالذكاء الاصطناعي صُممت لمساعدة المؤلفين والناشرين ومالكي الحقوق على تحويل المخطوطات إلى صوت احترافي دون الاعتماد على استوديو تسجيل تقليدي. تحلل تقنيتها لغة المخطوطة، أسلوبها، بنية السرد، والشخصيات قبل تعيين أصوات مميزة للسرد والحوار، وتدعم الإنتاجات ذات الراوي الواحد، الراويين المزدوجين، وإنتاجات متعددة الأصوات. يمكن للمؤلفين استخدام أصوات مُولَّدة مخصَّصة، أو الاختيار من أكثر من 100 ممثل صوتي محترف مدفوع، أو استنساخ صوتهم الخاص، مع الاحتفاظ بملكية عملهم والنسخ الأصلية وحقوق التوزيع. كما تقدم Spoken واجهة برمجة تطبيقات (API) موجهة للناشرين الراغبين في إنتاج كتب صوتية عبر كتالوجات أكبر، مع التأكيد على نموذج ذكاء اصطناعي أخلاقي تقول فيه إن الأعمال المكتوبة لا تُستخدم لتدريب أنظمتها وأن الممثلين الصوتيين البشريين المشاركين يحصلون على تعويض.

لقد انتقلت مسيرتك من الطب واستراتيجية المنتج في WebMD إلى تأسيس Conversa Health والآن إلى Spoken. ما المشكلة في إنشاء الكتب الصوتية التي أقنعتك بتأسيس Spoken، وكيف أثر عملك السابق في الذكاء الاصطناعي الحواري على المنصة التي تبنيها اليوم؟

في Conversa، كانت مهمتنا توسيع صوت فريق الرعاية من خلال أتمتة التواصل الشخصي، الأسئلة المتابعة، والإرشاد الذي كان قسم سريري في نظام صحي كبير سيوفره مباشرة للمرضى عبر الهاتف إذا كان لديه الوقت. في البداية، منحنا الروبوت شخصية تُدعى كيت، كانت تشير إلى نفسها بصيغة المتكلم المفرد. في النهاية، قررت أن التظاهر بالإنسانية غير صادق. كيت لم تكن شخصًا، ولم أرِد أن يظن المرضى ذلك. لذا أزلنا اسم الشخصية وتحولنا إلى صيغة الجمع “نحن” ليُنظر إليه كامتداد لفريق الرعاية، وهو ما كان عليه بالفعل. علمتني هذه التجربة أن الحلول الآلية يمكن أن تشعر بأنها امتداد أصيل للرعاية البشرية دون الحاجة إلى التظاهر بأنها إنسان.

ننتقل الآن إلى Spoken، حيث نركز على التعبير الأصيل المتمحور حول الإنسان. المشكلة التي نساعد في حلها واضحة – فمعظم القصص لا تستطيع الوصول إلى أسرع جمهور نموًا (المستمعين) بإمكاناتها الصوتية الكاملة بسبب قيود الوقت والتكلفة – لكن فلسفتي المستمرة في أن أكون امتدادًا حقيقيًا للبشر لعبت دورًا كبيرًا. على عكس البودكاستات المدعومة بالذكاء الاصطناعي التي تحاول تصنيع حوار عفوي أو الوكلاء الذين يحاكون التعاطف، يقدِّم السرد المتعدد الأصوات في Spoken كلمات المؤلف الحقيقية إلى الحياة. لأننا نروي قصصًا، لا نحاول تقليد التفاعلات البشرية، فلا يوجد ادعاء بأن ذكائنا الاصطناعي شخص. هؤلاء شخصيات في قصة، لذا نحن محظوظون بتجنب أي لبس أو صراع.

بصفتك كاتب خيال علمي صعب ومؤسس شركة ذكاء اصطناعي، كيف كنت تتوقع أن يتطور الذكاء الاصطناعي في الماضي، وأين انحرفت حقيقة تطور الذكاء الاصطناعي بأشد صورة عن المستقبل الذي تخيلته؟

هذا السؤال قريب إلى قلبي. أحب العيش عند تقاطع الفن والعلم والتقنية، وتصوير الأنظمة الآلية في خيال علمي المستقبلي القريب هو مثال رائع على ذلك. في الواقع، كل شركة مستقبلية أكتب عنها – وهناك عدة شركات – لها نطاق امتلكته، ومنتج صممته، ومفهوم أعتقد أنه قد يصبح شركة حقيقية يومًا ما. حتى التمثال أمام منزلي مستوحى من الشكل الحداثي لشعار The Kite Factory، الشركة التي أتخيل أنها ستخلق يومًا ما تقنية مضادة للجاذبية ستُغيّر الكوكب!

بالتركيز على الذكاء الاصطناعي، أواجه مشكلة عندما لا يتناول خيال المستقبل كيف يستخلص الناس المعلومات ويستخدمونها ويشاركونها. في عام 2100، هل ما زالوا يستخدمون هاتفًا للاتصال بالناس للإجابة على أسئلة واقعية؟ فلسفتي في الكتابة، وفي الحياة الواقعية، بسيطة: ما يمكن أتمتته سيُؤتمت، وسنستمر دائمًا في الاتجاه نحو معلومات أكثر فورية، وتعاونًا أكبر، وتكاملًا ماديًا أكثر. ومع ذلك، يجب أن أضيف أنني أكره الزرعات الشخصية. لهذا السبب، في خلفية روايتي، عندما ربط إيلون ماسك أقماره الصناعية Starlink بزراعاته Neuralink وبدأ يبث رسائل مباشرة إلى عقول الناس، حظرنا زرعات الدماغ!

بالنسبة لسؤال الانحراف: لأنني أؤمن أن ما يمكن أتمتته سيُؤتمت، فإن أتمتة الأسئلة الواقعية تحدث كحتمية بسيطة. ومع ذلك، عندما يتعلق الأمر بأمور القلب – الفن، الموسيقى والقصص – هناك بعض الانحراف. بما أن الذكاء الاصطناعي يُدرب على أنماط موجودة مسبقًا، فإنه من الناحية التعريفية لن يستطيع أبدًا إنشاء شيء جديد تمامًا. ومع ذلك، يكتب الناس قصصًا، ويخلقون فنًا، ويؤلفون موسيقى باستخدام الذكاء الاصطناعي. كيف يكون ذلك؟ لأن الفن لا يحتاج أن يكون جديدًا أو فريدًا تمامًا. أعتقد أن ذلك يعني أن الإبداعات التي تكسر القالب في المستقبل ستكون أكثر قيمة. آمل أن نتمكن من التعرف على ذلك عندما يحدث.

أجرت دراسة حديثة من Edison Research مقارنة إنتاج Spoken المتعدد الأصوات مع نسخة بشرية ذات راوي واحد تم إنتاجها احترافيًا. إلى أي مدى تعتقد أن ميزة Spoken تعود إلى تقنية الذكاء الاصطناعي الأساسية، وإلى أي مدى تعود إلى إعطاء كل شخصية صوتًا مميزًا؟ كيف قد تختلف النتائج مقارنة بفرقة بشرية كاملة؟

تحليل القصة وكل شخصية لاستخلاص الصوت المثالي لها هو في الواقع جزء كبير من نظام الذكاء الاصطناعي لدينا. نجري عملية وكيلة مكثفة لاستخراج الطبقات الأساسية للقصة، بدءًا من الأساسيات مثل النوع واللغة إلى الإيقاع الذي تحدده اللهجات والأسلوب، وكذلك تماسك المشهد بين تفاعل عدة شخصيات. جميع هذه الطبقات المدفوعة بالذكاء الاصطناعي تُشكل السرد الصوتي الفعلي لكل شخصية. هذا ما نسميه “وضع السحر”، ويمكنك التفكير فيه كخلط ألوان الطلاء.

فيما يتعلق بكيفية اختلاف النتائج عن فرقة بشرية كاملة، فإن الأمر يعود أساسًا إلى التكلفة وسير العمل. النقر الواحد ومئات الدولارات مقارنة بفرقة كاملة ليست متاحة للمؤلفين المستقلين ومعظم الناشرين، وهذا هو السبب في عدم اختيارنا ذلك كنقطة مقارنة. أما بالنسبة للجودة، فأعتقد أننا نقترب بالفعل من مساواة الجودة مع فرقة كاملة، لذا ستكون الجودة غير قابلة للتمييز.

حصلت تقنية Spoken Multi-Cast على تقييمات أعلى للمشاهد التي تعتمد على الشخصيات، بينما تفوقت السرد البشري في الفقرات الوصفية. ما الذي يجعل المقاطع غير الحوارية صعبة بشكل خاص على السرد بالذكاء الاصطناعي، وكيف تعملون على سد هذه الفجوة؟

في الواقع، ليس الأمر أن المقاطع غير الحوارية صعبة على السرد بالذكاء الاصطناعي؛ بل إن عدد الديناميكيات التي يتعين على الذكاء الاصطناعي التعامل معها لا يزال أقل مما يتعامل معه ممثل صوت بشري. تخيل كل تفصيل في النبرة والتسليم الذي يمكن لراوي واحد أن يضيفه إلى مقطع. أما في السرد المتعدد الأصوات، فإن عدد الديناميكيات يكون أكبر بكثير بسبب تنوع وأصوات شخصية مخصصة وعملية خلطها، مرة أخرى كخلط ألوان الطلاء. وهذا يعني أن مشاهد السرد المتعدد الأصوات يمكنها إظهار واقعية التفاعل بين عدة أشخاص بطريقة يصعب على الراوي الواحد تحقيقها.

أما بالنسبة لسد الفجوة، فعدد الديناميكيات المستخدمة في السرد بالذكاء الاصطناعي للراوي الواحد سيستمر في الزيادة، وستستمر الفجوة في الانخفاض.

قبل الاستماع إلى العينات، أبدى 31٪ فقط من المشاركين اهتمامًا بالكتب الصوتية التي يرويها الذكاء الاصطناعي، لكن هذه النسبة ارتفعت إلى 65٪ بعد تجربتهم لـ Spoken Multi-Cast. ما العناصر في الأداء التي تعتقد أنها الأكثر مسؤولية عن تغيير تصوراتهم؟

في الواقع، كان العكس تمامًا، وهذه النقطة التصميمية في الاستبيان مهمة جدًا. قال 65٪ إنهم سيستمعون إلى كتاب صوتي كامل بهذا السرد بعد سماع المقاطع، قبل أن يعرفوا أنه ذكاء اصطناعي. ثم سألنا، بشكل عام، ما إذا كانوا مستعدين للاستماع إلى كتب صوتية يرويها الذكاء الاصطناعي، فأجاب فقط 31٪ بنعم. بعد ذلك، سألنا ما إذا كانوا يعتقدون أن ما سمعوه كان ذكاءً اصطناعيًا. فقط 39٪ من الذين سمعوا Spoken Multi-Cast اشتبهوا أنه قد يكون ذكاءً اصطناعيًا، مقارنةً بـ 35٪ من الذين سمعوا النسخ البشرية واعتقدوا أن نسخهم قد تكون ذكاءً اصطناعيًا. هذا أدى إلى ظهور سؤالنا التالي: الآن بعد أن علمتم ذلك، هل ستستمعون إلى كتاب صوتي يرويه الذكاء الاصطناعي؟ ارتفعت هذه النية إلى 43٪ بعد التعرض، ونحن نعمل بنشاط على تقليل الفجوة نحو هدفنا البالغ 65٪.

هل يمكنك شرح سير عمل الذكاء الاصطناعي الوكيل الذي يحول المخطوطة المرفوعة إلى كتاب صوتي متعدد الأصوات، بما في ذلك كيفية تحديد النظام للمتحدثين، تفسير الشخصيات، تعيين الأصوات، وتحديد العاطفة، التوقيت، والتسليم؟

نظرًا لوجود براءات اختراع قيد الانتظار حول العملية، سأختصرها على مستوى عالٍ بالقول إنها عملية وكيلة مكثفة تُنتج طبقات متعددة. إنها عملية صقلناها لأكثر من عامين. تشمل أساسيات القصة، إيقاع القصة، تماسك المشهد، وأخيرًا أصوات الشخصيات الدقيقة، أو كما أحب أن أسميها “طبقة الطلاء”، كلها جزء من العملية. الحصول على قوس التسليم العاطفي والتوقيت أمر حاسم، ونحن نعمل على ذلك أكثر من أي شيء آخر. غالبًا ما يُفاجئ الناس أن الذكاء الاصطناعي المستخدم للتحضير للسرد هو حوالي 5 أضعاف كمية الذكاء الاصطناعي المستخدمة في السرد الفعلي.

ما مقدار التحكم الإبداعي الذي يحتفظ به المؤلف في الإنتاج النهائي، وما الأدوات المتاحة عندما يخطئ الذكاء الاصطناعي في تفسير شخصية أو نطق أو إيقاع عاطفي أو نية سردية؟

للمؤلف سيطرة مطلقة على الإنتاج النهائي. سواء كانت النغمات العاطفية، اللهجات، طابع الصوت، أو التوقيت، فإنهم يتحكمون في كل ذلك. هدفنا هو تحقيق أقصى درجات الروعة بنقرة واحدة فقط. إذا كان المؤلف أو الناشر أو المنتج يحتاج إلى تسليم محدد جدًا لمقطع ما، يمكنه استخدام “Speak It” للتحدث عبر الميكروفون وإظهار الطريقة التي يرغب فيها بالتسليم، وسيتبع صوت الشخصية ذلك بجمال.

نؤمن بأن على المؤلفين أن يشعروا بملكية كاملة لأعمالهم، حتى الصوت المستخدم في الفواصل الافتتاحية والختامية. حتى عبارة “Made with Spoken” ستستخدم الصوت الذي يختارونه، بما في ذلك صوتهم الشخصي إذا رغبوا في ذلك.

يتيح Spoken للمؤلفين استخدام أصوات مُولَّدة مخصَّصة بالإضافة إلى نسخ صوتية معتمدة من رواة محترفين يحصلون على تعويض عند استخدام أصواتهم. كيف تم دمج الموافقة، الملكية، التعويض، حقوق الإلغاء، والحماية من الاستنساخ غير المصرح به في هذا النموذج؟

نستخدم فقط شركاء صوت يلتزمون بمدونة أخلاقية صارمة، تشمل الكشف عن الاستخدام غير المصرح به للصوت ومنعه (وهذا مهم خاصة لحماية أصوات المشاهير البارزة). على سبيل المثال، لدينا العديد من أفضل الأصوات من ElevenLabs في مكتبتنا. يحصل هؤلاء الممثلون الصوتيون على أجر عن كل مرة يستخدمها مؤلفونا.

هل ترى أن السرد بالذكاء الاصطناعي سيوسع سوق الكتب الصوتية بشكل أساسي من خلال جعل العناوين غير المربحة اقتصاديًا قابلة للتنفيذ، أم سيستبدل أيضًا أجزاءً من الإنتاج التقليدي؟ ما الأدوار التي ستظل بشرية بوضوح مع نضوج التقنية؟

نتخيل سوقًا للكتب الصوتية متوسعًا بشكل هائل يجذب قراءً جدد، خاصةً مع قدراتنا الجديدة والحيوية في السرد المتعدد الأصوات. في النهاية، سيقود هذا السوق الموسع مزيج من التقنية والبشر. سيظهر الوقت ما إذا كان هذا التحول يتعلق بموهبة الصوت البشري أم بالذكاء الاصطناعي، بل ربما يكون أكثر حول سير عمل التحكم من قبل المؤلف/المنتج وتغير عادات الاستماع المتواصلة للجمهور.

يجمع Spoken بين إنتاج الكتب الصوتية والنشر والاكتشاف والبث والمجتمع وتحقيق الدخل. كيف يمكن للذكاء الاصطناعي أن يغير السرد القصصي نفسه في النهاية، بدلاً من مجرد جعل عملية إنتاج الكتب الصوتية الحالية أسرع وأقل تكلفة؟

ماذا يعني للقارئ أو المستمع أن “يغوص في القصة”؟ هذا هو جوهر ما نسعى إليه: توفير تجربة صوتية غامرة للجمهور في وقت يتزايد فيه الطلب على الخيال الروائي القائم على الشخصيات وتصبح الوسائط الصوتية هي الشكل السائد لاستهلاك القصص. في النهاية، سواء كانت قصة قصيرة، مذكرات شخصية، قصة معجبين أو فانتازيا ملحمية، فإن السرعة والتكلفة المنخفضة لإنشاء تقديم حيوي وطبيعي سيترك آثارًا عميقة على المدى الطويل. سوق الكتب الصوتية الحالي هو الفرصة القريبة الأجل، لكن القصص القصيرة، والفيديوهات العمودية القصيرة، والمسلسلات، وقصص المعجبين، والعديد من الفروع الأخرى ستزدهر نتيجة لذلك. وعندما يحدث ذلك، نريد أن يكون Spoken Multi-Cast™ في صميمها.

شكرًا على هذه المقابلة الرائعة، القراء الذين يرغبون في معرفة المزيد يجب أن يزوروا Spoken.