Phil Marshall, zakladatel a generální ředitel společnosti Spoken – série rozhovorů

Phil Marshall, zakladatel a generální ředitel společnosti Spoken, je lékař, vynálezce, technologický podnikatel a spisovatel sci‑fi, jehož kariéra zahrnuje zdravotnictví, digitální média, umělou inteligenci a inovace produktů. Před spuštěním Spoken v roce 2024 spoluzaložil společnost Conversa Health, personalizovanou platformu pro zapojení pacientů a konverzační AI, kterou v roce 2021 odkoupila firma Amwell a stala se součástí jejího automatizovaného virtuálního péče. Dříve strávil více než deset let ve společnosti WebMD jako viceprezident pro produktovou strategii, později působil jako senior viceprezident pro produktový management ve společnosti Press Ganey Associates a založil startup JumperCut zaměřený na kolaborativní video technologii. Jeho práce se stále více zaměřuje na průsečík AI, vyprávění příběhů, rozhraní mozek‑počítač a znalostních technologií, spojující jeho technické a podnikatelské zázemí se zájmem o sci‑fi a nově vznikající formy digitální interakce.

Spoken je platforma pro audioknihy poháněná AI, navržená tak, aby pomáhala autorům, vydavatelům a držitelům práv převádět rukopisy na profesionálně vytvořený zvuk bez nutnosti tradičního nahrávacího studia. Její technologie analyzuje jazyk, styl, narativní strukturu a postavy rukopisu, než přiřadí odlišné hlasy pro vyprávění a dialog, a podporuje produkce s jedním vypravěčem, dvojitým vypravěčem i multi‑cast. Autoři mohou použít vlastní generované hlasy, vybrat si z více než 100 placených profesionálních hlasových herců nebo klonovat svůj vlastní hlas, přičemž si zachovávají vlastnictví svého díla, master nahrávek a distribučních práv. Spoken také nabízí rozhraní API (application programming interface) určené vydavatelům, kteří chtějí vytvářet audioknihy pro rozsáhlejší katalogy, a přitom zdůrazňuje etický model AI, podle něhož se psaná díla nepoužívají k trénování jeho systémů a zapojení lidské hlasové herce jsou odměňováni.

Vaše kariéra vás zavedla z medicíny a produktové strategie ve WebMD k založení Conversa Health a nyní k Spoken. Jaký problém při tvorbě audioknih vás přesvědčil založit Spoken a jak ovlivnila vaše předchozí práce v konverzační AI platformu, kterou dnes budujete?

S Conversou byla naše mise rozšířit hlas ošetřovacího týmu automatizací personalizovaného oslovení, doplňujících otázek a vedení, které by klinické oddělení velkého zdravotnického systému poskytlo pacientům telefonicky, kdyby na to mělo čas. Zpočátku jsme bota antropomorfizovali pomocí persony jménem Cate, která se oslovovala v první osobě. Nakonec jsem však dospěl k závěru, že předstírání lidskosti je neupřímné. Cate nebyla osoba a nechtěl jsem, aby si pacienti mysleli, že je. Proto jsme odstranili jméno persony a přešli na množné „my“, aby byl vnímán jako rozšíření ošetřovacího týmu, čímž i byl. Tato zkušenost mě naučila, že automatizovaná řešení mohou stále působit jako autentické rozšíření lidské péče, aniž by se tvářila jako člověk.

Posuneme se k Spoken, kde se zaměřujeme na autentický, člověka‑středěný výraz. Problém, který pomáháme řešit, je zřejmý – většina příběhů nemůže dosáhnout nejrychleji rostoucího publika (posluchačů) se svým plným zvukovým potenciálem kvůli časovým a finančním omezením – ale moje dlouhodobá filozofie být opravdovým rozšířením lidí sehrála velkou roli. Na rozdíl od AI podcastů, které se snaží vyrábět povídání, nebo agentů, kteří simulují soucit, přináší narace Multi‑Cast od Spoken autorovým pravým slovům život. Protože vyprávíme příběhy, ne snažíme se napodobovat lidské interakce, neexistuje předstírání, že naše AI je osoba. Jedná se o postavy v příběhu, takže máme štěstí, že se vyhneme jakémukoli zmatku a konfliktu.

Jako autor tvrdé sci‑fi a AI podnikatel, jak jste si dříve představoval vývoj umělé inteligence a kde se realita vývoje AI nejvíce odchýlila od vaší představy?

Tato otázka mi leží na srdci. Miluji žít na průsečíku umění, vědy a techniky a zobrazování automatizovaných systémů v mé sci‑fi budoucnosti je toho skvělým příkladem. Ve skutečnosti každá budoucí společnost, o které píšu – a je jich několik – má doménu, kterou jsem vlastnil, produkt, který jsem navrhl, a koncept, o kterém věřím, že by se mohl jednou stát skutečnou firmou. Dokonce i socha před mým domem je modelována po modernistickém tvaru loga The Kite Factory, společnosti, o které si představuji, že jednou vytvoří antigravitační technologii, která promění planetu!

Co se týče AI, mám problém, když budoucí sci‑fi neřeší, jak lidé získávají, používají a sdílejí informace. V roce 2100 budou opravdu stále používat telefon k volání lidem, aby odpověděli na faktické otázky? Moje filozofie v psaní i v reálném životě je jednoduchá: Co může být automatizováno, bude automatizováno, a vždy budeme směřovat k více real‑time, více kolaborativním a fyzicky integrovaným informacím. Musím však dodat, že mám osobnou averzi k implantátům. Proto v pozadí mé knihy, když Elon Musk připojil své satelity Starlink k implantátům Neuralink a začal vysílat zprávy přímo do mozků lidí, zakázali jsme mozkové implantáty!

Na otázku odchylky: protože věřím, že co může být automatizováno, bude automatizováno, automatizace faktických otázek je jednoduchou nevyhnutelností. Pokud však jde o záležitosti srdce – umění, hudbu a příběhy – nastala určitá odchylka. Protože AI je trénována na existujících vzorcích, podle definice nikdy nebude schopna vytvořit něco skutečně nového. Přesto lidé píší příběhy, tvoří umění a skládají hudbu pomocí AI. Jak je to možné? Protože umění nemusí být skutečně nové nebo jedinečné. To, jak věřím, bude v budoucnu znamenat, že ty výtvory, které skutečně prolomí konvence, budou ještě cennější. Doufám, že budeme stále schopni rozpoznat, kdy k tomu dojde.

Recentní studie Edison Research porovnala produkci multi‑cast od Spoken s profesionálně vytvořenou verzí s jedním lidským vypravěčem. Kolik výhody Spoken přisuzujete podkladové AI technologii a kolik pochází z přidělení každé postavě odlišného hlasu? Jak by se výsledky mohly lišit oproti plnému lidskému obsazení?

Analyzování příběhu a každé postavy za účelem nalezení jejich dokonalého hlasu je ve skutečnosti velkou součástí naší AI. Procházíme intenzivním agentickým procesem, který odhaluje podkladové vrstvy příběhu, od základních prvků jako žánr a jazyk až po rytmus určený přízvuky a stylem, stejně jako soudržnost scény s více postavami interagujícími. Všechny tyto AI‑řízené vrstvy informují skutečnou narraci hlasu postavy. Nazýváme to „Magic Mode“ a můžete si to představit jako míchání barev.

Co se týče toho, jak by se výsledky mohly lišit od plného lidského obsazení, jde především o náklady a workflow. Jedním kliknutím a stovkami dolarů, ve srovnání s plným obsazením, není dostupné pro nezávislé autory a většinu vydavatelů, proto to nebyl náš srovnávací bod. Co se však týká kvality, věřím, že už se blížíme paritě s plným obsazením, takže kvalita bude nerozeznatelná.

Spoken Multi‑Cast získal vyšší hodnocení za scény řízené postavami, zatímco lidská narrace podávala lepší výsledek během expozice. Co činí pasáže bez dialogu zvláště obtížnými pro AI narraci a jak pracujete na zmenšení této mezery?

Ve skutečnosti nejde o to, že by pasáže bez dialogu byly pro AI narraci obtížné; je to jen to, že počet dynamik, se kterými AI musí pracovat, je stále menší než u lidského hlasového herce. Přemýšlejte o každém nuance intonace a podání, které může jeden vypravěč přinést do pasáže. U multi‑cast je však počet dynamik mnohem vyšší díky různorodým, personalizovaným tónům hlasů postav a procesu jejich míchání, opět jako míchání barev. To znamená, že scény v multi‑cast mohou přinést realističnost interakcí mezi více lidmi způsobem, který by byl pro jediného vypravěče těžko dosažitelný.

Co se týká zmenšení mezery, počet dynamik používaných v AI narraci s jedním vypravěčem bude nadále růst a mezera bude dále ubývat.

Před poslechem ukázek pouze 31 % účastníků vyjádřilo zájem o audioknihy namluvené AI, ale po zkušenosti se Spoken Multi‑Cast tato hodnota vzrostla na 65 %. Které prvky výkonu považujete za nejvíce odpovědné za změnu jejich vnímání?

Ve skutečnosti to bylo naopak a tento prvek návrhu průzkumu je velmi důležitý. Po poslechu ukázek uvedlo 65 % účastníků, že by si poslechli celou audioknihu s tímto přednesem, a to ještě předtím, než věděli, že jde o AI. Poté jsme se obecněji zeptali, zda by byli ochotni poslouchat audioknihy namluvené pomocí AI, a jen 31 % odpovědělo ano. Následně jsme se ptali, zda si myslí, že právě slyšeli AI. U Spoken Multi-Cast to tušilo jen 39 % posluchačů, zatímco u lidských verzí se 35 % posluchačů také domnívalo, že by mohlo jít o AI. Následující otázka proto měla velký význam: Když to teď víte, byli byste ochotni poslouchat audioknihu namluvenou pomocí AI? Tato ochota po zkušenosti vzrostla na 43 % a aktivně pracujeme na zmenšení rozdílu vůči našemu měřítku 65 %.

Můžete nás provést pracovním postupem agentní AI, který mění nahraný rukopis v audioknihu s více hlasy, včetně toho, jak systém rozpoznává mluvčí, interpretuje postavy, přiřazuje hlasy a určuje emoce, načasování a přednes?

Vzhledem k našim dosud vyřizovaným patentovým přihláškám tento proces shrnu jen obecně: jde o intenzivně agentní proces vytvářející více vrstev. Zdokonalujeme ho již více než dva roky. Základní prvky příběhu, jeho rytmus, soudržnost scén a nakonec přesné hlasy postav, kterým rád říkám „nátěr“, jsou jeho součástí. Správný průběh emocionálního přednesu a načasování je zásadní a věnujeme mu nejvíce práce. Lidi často překvapuje, že množství AI použité při přípravě vyprávění je zhruba pětkrát větší než při samotném přednesu.

Jakou míru tvůrčí kontroly si autor zachovává nad výslednou produkcí a jaké nástroje má k dispozici, když AI nesprávně vyloží postavu, výslovnost, emocionální moment nebo vypravěčský záměr?

Autor má nad výslednou produkcí naprostou kontrolu. Ať jde o emocionální intonaci, přízvuky, barvu hlasu nebo načasování, ovládá vše. Naším cílem je přiblížit ho jediným kliknutím co nejvíce k vynikajícímu výsledku. Pokud autor, vydavatel nebo producent potřebuje velmi konkrétní přednes pasáže, může pomocí funkce „Speak It“ promluvit do mikrofonu a předvést požadované podání. Hlas postavy ho pak výborně napodobí.

Věříme, že autoři mají cítit plné vlastnictví svého díla, včetně hlasu v úvodních a závěrečných titulcích. I „Made with Spoken“ zazní hlasem podle jejich výběru, případně jejich vlastním hlasem.

Spoken umožňuje autorům používat hlasy vytvořené na míru i schválené hlasové klony profesionálních vypravěčů, kteří za použití svého hlasu dostávají zaplaceno. Jak jsou do tohoto modelu začleněny souhlas, vlastnictví, odměňování, právo odvolat souhlas a ochrana před neoprávněným klonováním?

Spolupracujeme pouze s hlasovými partnery, kteří dodržují přísný etický kodex zahrnující odhalování a zákaz neoprávněného použití hlasu. To je zvlášť důležité pro ochranu známých hlasů celebrit. V naší knihovně máme například mnoho špičkových hlasů z ElevenLabs. Tito hlasoví herci dostávají zaplaceno za každé použití našimi autory.

Vnímáte vyprávění pomocí AI především jako rozšíření trhu audioknih tím, že umožní zpracovat dříve neekonomické tituly, nebo také nahradí části tradiční produkce? Které role zůstanou s dozráváním technologie výhradně lidské?

Představujeme si výrazně rozšířený trh audioknih, který přiláká nové čtenáře, zejména díky našim novým živým možnostem vícehlasého obsazení. Tento rozšířený trh nakonec bude pohánět kombinace technologií a lidí. Ukáže to čas, ale tato proměna může být méně otázkou lidského hlasu oproti AI a více otázkou pracovního postupu, kontroly autora či producenta a neustále se měnících poslechových návyků publika.

Spoken spojuje produkci audioknih s vydáváním, objevováním obsahu, streamováním, komunitou a monetizací. Jak by AI mohla nakonec změnit samotné vyprávění příběhů, místo aby pouze zrychlila a zlevnila stávající výrobu audioknih?

Co pro čtenáře nebo posluchače znamená „ponořit se do příběhu“? Právě o to jde: nabídnout publiku pohlcující zvukový zážitek v době, kdy roste zájem o beletrii zaměřenou na postavy a zvuk se stává dominantním způsobem konzumace příběhů. Ať jde o povídku, osobní paměti, fanfikci nebo epickou fantasy, rychlá a levná tvorba živého, přirozeného přednesu bude mít zásadní dlouhodobé důsledky. Současný trh audioknih představuje krátkodobou příležitost, ale díky tomu se budou rozvíjet krátké formáty, vertikální krátká videa, seriály, fanfikce a řada dalších odvozených forem. A až se tak stane, chceme, aby Spoken Multi-Cast^TM stálo v jejich centru.

Děkujeme za skvělý rozhovor. Čtenáři, kteří se chtějí dozvědět více, mohou navštívit Spoken.