Φιλ Μάρσαλ, Ιδρυτής και Διευθύνων Σύμβουλος της Spoken – Σειρά Συνεντεύξεων

Phil Marshall, Ιδρυτής και Διευθύνων Σύμβουλος της Spoken, είναι γιατρός, εφευρέτης, τεχνολογικός επιχειρηματίας και συγγραφέας επιστημονικής φαντασίας, του οποίου η καριέρα περιλαμβάνει την υγειονομική περίθαλψη, τα ψηφιακά μέσα, την τεχνητή νοημοσύνη και την καινοτομία προϊόντων. Πριν λανσάρει τη Spoken το 2024, ο Marshall συνίδρυσε την Conversa Health, μια εταιρεία εξατομικευμένης εμπλοκής ασθενών και συνομιλιακής AI που εξαγοράστηκε από την Amwell το 2021 και ενσωματώθηκε στην αυτοματοποιημένη εικονική φροντίδα της. Στο αρχικό του επαγγελματικό δρόμο, πέρασε πάνω από μια δεκαετία στη WebMD ως Αντιπρόεδρος Στρατηγικής Προϊόντος, αργότερα υπηρέτησε ως Ανώτερος Αντιπρόεδρος Διαχείρισης Προϊόντος στην Press Ganey Associates, και ίδρυσε την startup συνεργατικής βίντεο τεχνολογίας JumperCut. Η δουλειά του εστιάζει όλο και περισσότερο στη διασταύρωση της AI, της αφήγησης, των διεπαφών εγκεφάλου-υπολογιστή και των τεχνολογιών γνώσης, συνδυάζοντας το τεχνολογικό και επιχειρηματικό του υπόβαθρο με τα ενδιαφέροντά του στη επιστημονική φαντασία και τις αναδυόμενες μορφές ψηφιακής αλληλεπίδρασης.

Spoken είναι μια πλατφόρμα ηχητικών βιβλίων με τεχνολογία AI, σχεδιασμένη να βοηθά συγγραφείς, εκδότες και δικαιούχους να μετατρέπουν χειρόγραφα σε επαγγελματικά παραγόμενα ηχητικά αρχεία χωρίς να εξαρτώνται από ένα παραδοσιακό στούντιο ηχογράφησης. Η τεχνολογία της αναλύει τη γλώσσα, το στυλ, τη δομή της αφήγησης και τους χαρακτήρες του χειρογράφου πριν αναθέσει διακριτικές φωνές για αφήγηση και διάλογο, υποστηρίζοντας παραγωγές με μονό αφηγητή, διπλό αφηγητή και πολυφωνική (multi-cast). Οι συγγραφείς μπορούν να χρησιμοποιήσουν φωνές που δημιουργούνται κατά παραγγελία, να επιλέξουν από περισσότερους από 100 πληρωμένους επαγγελματίες ηθοποιούς φωνής, ή να κλωνοποιήσουν τη δική τους φωνή, διατηρώντας ταυτόχρονα την κυριότητα του έργου, των master και των δικαιωμάτων διανομής. Η Spoken προσφέρει επίσης ένα API (Application Programming Interface) για εκδότες που επιδιώκουν την παραγωγή ηχητικών βιβλίων σε μεγαλύτερους καταλόγους, ενώ δίνει έμφαση σε ένα ηθικό μοντέλο AI, σύμφωνα με το οποίο τα γραπτά έργα δεν χρησιμοποιούνται για την εκπαίδευση των συστημάτων της και οι ανθρώπινοι ηθοποιοί φωνής που συμμετέχουν αμείβονται.

Η καριέρα σας σας οδήγησε από την ιατρική και τη στρατηγική προϊόντων στη WebMD στη δημιουργία της Conversa Health και τώρα στη Spoken. Ποιο πρόβλημα στη δημιουργία ηχητικών βιβλίων σας έπεισε να ιδρύσετε τη Spoken και πώς η προηγούμενη εργασία σας στην συνομιλιακή AI επηρέασε την πλατφόρμα που χτίζετε σήμερα;

Με τη Conversa, η αποστολή μας ήταν να επεκτείνουμε τη φωνή της ομάδας φροντίδας αυτοματοποιώντας εξατομικευμένη επαφή, ερωτήσεις παρακολούθησης και καθοδήγηση που ένα κλινικό τμήμα σε ένα μεγάλο σύστημα υγείας θα παρείχε απευθείας στους ασθενείς μέσω τηλεφώνου, εάν είχε χρόνο. Αρχικά, ανθρωποποιήσαμε το bot με μια προσωπικότητα, την Cate, η οποία αναφερόταν στον εαυτό της στην πρώτη πρόσωπο. Τελικά, όμως, αποφάσισα ότι η προσποίηση ανθρώπινης φύσης ήταν παραπλανητική. Η Cate δεν ήταν άτομο, και δεν ήθελα οι ασθενείς να το πιστεύουν. Έτσι, αφαιρέσαμε το όνομα της προσωπικότητας και μεταβίβαμε σε πληθυντικό «Εμείς» ώστε να θεωρείται επέκταση της ομάδας φροντίδας, κάτι που ήταν. Η εμπειρία με δίδαξε ότι οι αυτοματοποιημένες λύσεις μπορούν ακόμη να αισθάνονται ως αυθεντική επέκταση της ανθρώπινης φροντίδας χωρίς να προσποιούνται ότι είναι άνθρωποι.

Προχωρώντας στη Spoken, όπου εστιάζουμε σε αυθεντική, ανθρωποκεντρική έκφραση. Το πρόβλημα που βοηθάμε να λύσουμε είναι προφανές – οι περισσότερες ιστορίες δεν μπορούν να φτάσουν το ταχύτερα αναπτυσσόμενο κοινό (ακροατές) με το πλήρες ηχητικό τους δυναμικό λόγω περιορισμών χρόνου και κόστους – αλλά η μακροχρόνια φιλοσοφία μου να είμαι γνήσια επέκταση των ανθρώπων έπαιξε μεγάλο ρόλο. Σε αντίθεση με τα AI podcasts που προσπαθούν να κατασκευάσουν φλυαρία ή πράκτορες που προσομοιώνουν συμπόνια, η πολυφωνική (Multi-Cast) αφήγηση της Spoken φέρνει στη ζωή τα αληθινά λόγια του συγγραφέα. Επειδή αφηγούμαστε ιστορίες, όχι προσπαθούμε να μιμηθούμε ανθρώπινες αλληλεπιδράσεις, δεν υπάρχει προσποίηση ότι η AI μας είναι άτομο. Αυτοί είναι χαρακτήρες σε μια ιστορία, οπότε έχουμε την τύχη να αποφεύγουμε οποιαδήποτε σύγχυση ή σύγκρουση.

Ως συγγραφέας σκληρής επιστημονικής φαντασίας και επιχειρηματίας AI, πώς περιμένατε κάποτε να εξελιχθεί η τεχνητή νοημοσύνη και πού η πραγματικότητα της ανάπτυξης της AI διέσπασε πιο έντονα από το μέλλον που φανταζόσασταν;

Αυτή η ερώτηση είναι κοντά στην καρδιά μου. Λατρεύω το να ζω στη διασταύρωση της τέχνης, της επιστήμης και της τεχνολογίας, και η απεικόνιση αυτοματοποιημένων συστημάτων στη κοντινή-μελλοντική επιστημονική φαντασία μου είναι ένα εξαιρετικό παράδειγμα. Στην πραγματικότητα, κάθε μελλοντική εταιρεία που γράφω – και υπάρχουν αρκετές – έχει ένα domain που κατέχω, ένα προϊόν που έχω σχεδιάσει, και μια έννοια που πιστεύω ότι θα μπορούσε κάποτε να γίνει πραγματική εταιρεία. Ακόμη και το άγαλμα μπροστά από το σπίτι μου είναι μοντελοποιημένο με το μοντερνιστικό σχήμα του λογότυπου The Kite Factory, μια εταιρεία που φαντάζομαι ότι θα δημιουργήσει κάποια μέρα την τεχνολογία αντιβαρύτητας που θα μεταμορφώσει τον πλανήτη!

Εστιάζοντας στην AI, έχω ένα πρόβλημα όταν η μελλοντική επιστημονική φαντασία δεν εξετάζει πώς οι άνθρωποι αποκτούν, χρησιμοποιούν και μοιράζονται πληροφορίες. Το 2100, θα χρησιμοποιούν ακόμη το τηλέφωνο για να καλούν ανθρώπους να απαντήσουν σε ερωτήσεις πραγματικού περιεχομένου; Η φιλοσοφία μου στη γραφή, και στην πραγματική ζωή, είναι απλή: Ό,τι μπορεί να αυτοματοποιηθεί, θα αυτοματοποιηθεί, και θα τείνουμε πάντα προς πιο πραγματικό‑χρόνο, πιο συνεργατική και πιο φυσικά ενσωματωμένη πληροφόρηση. Πρέπει όμως να προσθέσω ότι έχω προσωπική αποστροφή στα εμφυτεύματα. Γι’ αυτό, στην ιστορία του βιβλίου μου, όταν ο Elon Musk συνέδεσε τα δορυφόρους Starlink με τα εμφυτεύματα Neuralink του και άρχισε να μεταδίδει μηνύματα απευθείας στα εγκεφάλια των ανθρώπων, απαγορεύσαμε τα εγκεφαλικά εμφυτεύματα!

Στην ερώτηση της απόκλισης: επειδή πιστεύω ότι ό,τι μπορεί να αυτοματοποιηθεί, θα αυτοματοποιηθεί, η αυτοματοποίηση ερωτήσεων πραγματικού περιεχομένου συμβαίνει ως απλή αναπόφευκτη πραγματικότητα. Ωστόσο, όταν πρόκειται για θέματα της καρδιάς – τέχνη, μουσική και ιστορίες – υπάρχει μια μικρή απόκλιση. Επειδή η AI εκπαιδεύεται σε προϋπάρχοντα μοτίβα, κατά ορισμό δεν θα μπορεί ποτέ να δημιουργήσει κάτι πραγματικά νέο. Παρ’ όλα αυτά, άνθρωποι γράφουν ιστορίες, δημιουργούν τέχνη και συνθέτουν μουσική χρησιμοποιώντας AI. Πώς είναι δυνατόν; Επειδή η τέχνη δεν χρειάζεται να είναι πραγματικά νέα ή μοναδική. Αυτό, πιστεύω, σημαίνει ότι στο μέλλον, εκείνες οι δημιουργίες που θα σπάσουν το στερεότυπο θα είναι ακόμη πιο πολύτιμες. Ελπίζω να μπορούμε ακόμη να αναγνωρίζουμε πότε συμβαίνει αυτό.

Η μελέτη της Edison Research σύγκρινε την πολυφωνική (multi-cast) παραγωγή της Spoken με μια επαγγελματικά παραγόμενη, μονό αφηγητή ανθρώπινη έκδοση. Πόσο από το πλεονέκτημα της Spoken αποδίδετε στην υποκείμενη τεχνολογία AI και πόσο προέρχεται από το να δίνετε σε κάθε χαρακτήρα μια διακριτική φωνή; Πώς θα μπορούσαν να διαφέρουν τα αποτελέσματα έναντι μιας πλήρους ανθρώπινης ομάδας;

Η ανάλυση της ιστορίας και κάθε χαρακτήρα για την εξαγωγή της τέλειας φωνής τους αποτελεί, στην πραγματικότητα, μεγάλο μέρος της AI μας. Διενεργούμε μια εντατική διαδικασία που βασίζεται σε πράξεις (agentic) για να εξάγουμε τα υποκείμενα στρώματα της ιστορίας, από τα βασικά όπως το είδος και η γλώσσα μέχρι τον ρυθμό που καθορίζεται από τις προφορές και το στυλ, καθώς και τη συνοχή σκηνών με πολλούς χαρακτήρες που αλληλεπιδρούν. Όλα αυτά τα στρώματα που παράγονται από AI καθορίζουν την πραγματική φωνή του χαρακτήρα στην αφήγηση. Είναι αυτό που αποκαλούμε «Μαγική Λειτουργία» (Magic Mode) και μπορείτε να το σκεφτείτε σαν ανάμειξη χρωμάτων βαφής.

Όσον αφορά το πώς τα αποτελέσματα μπορεί να διαφέρουν από μια πλήρη ανθρώπινη ομάδα, εξαρτάται κυρίως από το κόστος και τη ροή εργασίας. Ένα κλικ και μερικές εκατοντάδες δολάρια, σε σύγκριση με μια πλήρη ομάδα, δεν είναι προσβάσιμο σε ανεξάρτητους συγγραφείς και τους περισσότερους εκδότες, γι’ αυτό δεν ήταν το σημείο σύγκρισης μας. Όσον αφορά την ποιότητα, όμως, πιστεύω ότι ήδη πλησιάζουμε στην ισοδυναμία με μια πλήρη ομάδα, ώστε η ποιότητα να είναι αδιάφορη.

Η πολυφωνική (Multi-Cast) της Spoken έλαβε υψηλότερες αξιολογήσεις για σκηνές που βασίζονται σε χαρακτήρες, ενώ η ανθρώπινη αφήγηση είχε καλύτερη απόδοση στην εξήγηση. Τι κάνει τα μη-διαλογικές περικοπές ιδιαίτερα δύσκολες για την αφήγηση AI και πώς εργάζεστε για να γεφυρώσετε αυτό το χάσμα;

Στην πραγματικότητα, δεν είναι ότι οι μη-διαλογικές περικοπές είναι δύσκολες για την αφήγηση AI· είναι απλώς ότι ο αριθμός των δυναμικών που η AI πρέπει να διαχειριστεί είναι ακόμη μικρότερος από ό,τι ένας ανθρώπινος ηθοποιός φωνής. Σκεφτείτε κάθε λεπτομέρεια της έμφασης και της παράδοσης που ένας μοναδικός αφηγητής μπορεί να προσφέρει σε ένα κείμενο. Με τη πολυφωνική (multi-cast), όμως, ο αριθμός των δυναμικών είναι πολύ μεγαλύτερος λόγω των ποικίλων, εξατομικευμένων χρωμάτων φωνής των χαρακτήρων και της διαδικασίας ανάμειξής τους, ξανά, όπως τα χρώματα βαφής. Αυτό σημαίνει ότι οι σκηνές multi-cast μπορούν να προβάλλουν την ρεαλιστικότητα των αλληλεπιδράσεων μεταξύ πολλών ανθρώπων με τρόπο που ένας μοναδικός αφηγητής θα δυσκολευόταν να ταιριάξει.

Όσον αφορά τη γεφύρωση του χάσματος, ο αριθμός των δυναμικών που χρησιμοποιούνται στην AI αφήγηση μονό αφηγητή θα συνεχίσει να αυξάνεται, και το χάσμα θα συνεχίσει να μειώνεται.

Πριν ακούσουν τα δείγματα, μόνο το 31% των συμμετεχόντων εξέφραζε ενδιαφέρον για ηχητικά βιβλία με αφήγηση AI, αλλά το ποσοστό αυτό αυξήθηκε στο 65% μετά την εμπειρία της Spoken Multi-Cast. Ποια στοιχεία της απόδοσης πιστεύετε ότι ήταν τα πιο υπεύθυνα για την αλλαγή των αντιλήψεών τους;

Στην πραγματικότητα, ήταν το αντίστροφο, και αυτό το στοιχείο σχεδίασης της έρευνας είναι εξαιρετικά σημαντικό. Το 65% είπε ότι θα άκουγε ένα ολόκληρο ηχητικό βιβλίο με αυτή τη αφήγηση μετά την ακρόαση των αποσπασμάτων, πριν να ξέρει ότι ήταν AI. Στη συνέχεια ρωτήσαμε, γενικότερα, αν θα ήθελαν να ακούσουν ηχητικά βιβλία που αφηγούνται με AI, και μόνο το 31% είπε ναι. Έπειτα, ρωτήσαμε αν νόμιζαν ότι ό,τι άκουσαν ήταν AI. Μόνο το 39% αυτών που άκουσαν τη Spoken Multi-Cast υποψιάστηκαν ότι θα μπορούσε να είναι AI, σε σύγκριση με το 35% αυτών που άκουσαν τις ανθρώπινες εκδοχές και νόμιζαν ότι η δική τους θα μπορούσε να είναι AI. Αυτό έκανε την επόμενη ερώτησή μας να ξεχωρίσει: Τώρα που το ξέρετε, θα ήσασταν πρόθυμοι να ακούσετε ένα ηχητικό βιβλίο με αφήγηση AI; Η προθυμία αυτή αυξήθηκε στο 43% μετά την έκθεση, και εργαζόμαστε ενεργά για να κλείσουμε το χάσμα προς το στόχο του 65%.

Μπορείτε να μας περιγράψετε τη διαδικασία AI (agentic) που μετατρέπει ένα ανεβασμένο χειρόγραφο σε ηχητικό βιβλίο με πολλαπλές φωνές, συμπεριλαμβανομένου του πώς το σύστημα αναγνωρίζει ομιλητές, ερμηνεύει χαρακτήρες, αναθέτει φωνές και καθορίζει συναίσθημα, χρονοδιάγραμμα και παράδοση;

Δεδομένων των εκκρεμών πατεντών μας για τη διαδικασία, θα την συνοψίσω σε υψηλό επίπεδο λέγοντας ότι είναι μια έντονα agentic διαδικασία που παραδίδει πολλαπλά στρώματα. Είναι μια διαδικασία που έχουμε τελειοποιήσει σε πάνω από δύο χρόνια. Τα βασικά της ιστορίας, ο ρυθμός της ιστορίας, η συνοχή της σκηνής, και τελικά οι ακριβείς φωνές των χαρακτήρων, ή όπως μου αρέσει να τις αποκαλώ, «το χρώμα της βαφής», αποτελούν όλα μέρος της. Η απόκτηση του τόξου της συναισθηματικής παράδοσης και του χρονοδιαγράμματος είναι κρίσιμη, και εργαζόμαστε πάνω σε αυτό περισσότερο από οτιδήποτε άλλο. Συχνά εκπλήσσει τους ανθρώπους ότι η AI που χρησιμοποιείται για την προετοιμασία της αφήγησης είναι περίπου 5 φορές η ποσότητα AI που χρησιμοποιείται στην πραγματική αφήγηση.

Πόσο δημιουργικό έλεγχο διατηρεί ένας συγγραφέας πάνω στην τελική παραγωγή και ποια εργαλεία είναι διαθέσιμα όταν η AI ερμηνεύει λανθασμένα έναν χαρακτήρα, προφορά, συναισθηματικό σημείο ή αφήγηση;

Ο συγγραφέας έχει απόλυτο έλεγχο πάνω στην τελική παραγωγή. Είτε πρόκειται για τις συναισθηματικές αποχρώσεις, τις προφορές, το χρώμα της φωνής ή το χρονοδιάγραμμα, ελέγχει τα πάντα. Στόχος μας είναι να τα φέρουμε όσο πιο εξαιρετικά γίνεται με ένα κλικ. Αν ο συγγραφέας, εκδότης ή παραγωγός χρειάζεται μια πολύ συγκεκριμένη παράδοση ενός αποσπάσματος, μπορεί να χρησιμοποιήσει το «Speak It» για να μιλήσει στο μικρόφωνό του και να δείξει πώς θέλει να παραδοθεί, και η φωνή του χαρακτήρα θα υπακούσει όμορφα.

Πιστεύουμε ότι οι συγγραφείς πρέπει να αισθάνονται πλήρη κυριότητα του έργου τους, μέχρι τη φωνή που χρησιμοποιείται στα εισαγωγικά και εξαγωγικά τους. Ακόμη και το «Made with Spoken» θα χρησιμοποιήσει τη φωνή της επιλογής τους, συμπεριλαμβανομένης της δικής τους προσωπικής φωνής αν το επιλέξουν.

Η Spoken επιτρέπει στους συγγραφείς να χρησιμοποιούν φωνές που δημιουργούνται κατά παραγγελία καθώς και εγκεκριμένα κλώνα φωνής από επαγγελματίες αφηγητές που αμείβονται όταν χρησιμοποιούνται οι φωνές τους. Πώς ενσωματώνονται στο μοντέλο αυτό η συγκατάθεση, η ιδιοκτησία, η αποζημίωση, τα δικαιώματα ανάκλησης και η προστασία έναντι μη εξουσιοδοτημένης κλωνοποίησης;

Χρησιμοποιούμε μόνο συνεργάτες φωνής που τηρούν έναν αυστηρό κώδικα ηθικής, ο οποίος περιλαμβάνει την ανίχνευση και την απαγόρευση μη εξουσιοδοτημένης χρήσης μιας φωνής (ιδιαίτερα σημαντικό για την προστασία γνωστών φωνών διασημοτήτων). Για παράδειγμα, διαθέτουμε πολλές από τις κορυφαίες φωνές της ElevenLabs στη βιβλιοθήκη μας. Αυτοί οι ηθοποιοί φωνής πληρώνονται για κάθε χρήση από τους συγγραφείς μας.

Βλέπετε την αφήγηση AI κυρίως ως επέκταση της αγοράς ηχητικών βιβλίων καθιστώντας βιώσιμες προηγουμένως μη οικονομικές τίτλους, ή θα αντικαταστήσει επίσης τμήματα της παραδοσιακής παραγωγής; Ποιους ρόλους θα παραμείνουν σαφώς ανθρώπινους καθώς η τεχνολογία ωριμάζει;

Οραματιζόμαστε μια τεράστια επέκταση της αγοράς ηχητικών βιβλίων που θα προσελκύσει νέους αναγνώστες, ιδιαίτερα λόγω των νέων, ζωντανών πολυφωνικών (multi-cast) δυνατοτήτων μας. Στο τέλος, αυτή η επεκταμένη αγορά θα καθοδηγείται από έναν υβριδικό συνδυασμό τεχνολογίας και ανθρώπων. Ο χρόνος θα δείξει, αλλά αυτή η μεταμόρφωση μπορεί να αφορά λιγότερο το αν πρόκειται για ανθρώπινο ταλέντο φωνής ή AI, και περισσότερο τη ροή εργασίας ελέγχου συγγραφέα/παραγωγού και τις συνεχώς μεταβαλλόμενες συνήθειες ακρόασης του κοινού.

Η Spoken συνδυάζει την παραγωγή ηχητικών βιβλίων με τη δημοσίευση, την ανακάλυψη, τη ροή, την κοινότητα και τη χρηματοδότηση. Πώς θα μπορούσε η AI τελικά να αλλάξει την ίδια τη αφήγηση, αντί απλώς να κάνει τη διαδικασία παραγωγής ηχητικών βιβλίων ταχύτερη και λιγότερο δαπανηρή;

Τι σημαίνει για έναν αναγνώστη ή ακροατή να «χαθεί στην ιστορία»; Αυτό είναι όντως το κύριο θέμα: να προσφέρουμε στο κοινό μια καθηλωτική ηχητική εμπειρία σε μια εποχή που η ζήτηση για φανταστική λογοτεχνία με χαρακτήρες αυξάνεται και το audio γίνεται η κυρίαρχη μορφή κατανάλωσης ιστοριών. Στο τέλος, είτε πρόκειται για σύντομη ιστορία, προσωπική αυτοβιογραφία, fanfic ή επική φαντασία, η ταχύτητα και το χαμηλό κόστος δημιουργίας ζωντανής, φυσικής παράδοσης θα έχουν βαθιές μακροπρόθεσμες επιπτώσεις. Η τρέχουσα αγορά ηχητικών βιβλίων είναι η βραχυπρόθεσμη ευκαιρία, αλλά οι σύντομες μορφές, τα κάθετα shorts, οι σειρές, τα fan fic και όσα άλλα παράγωγα θα ευδοκιμήσουν ως αποτέλεσμα. Και όταν συμβούν, θέλουμε το Spoken Multi-Cast^TM να βρίσκεται στην καρδιά τους.

Σας ευχαριστούμε για τη σπουδαία συνέντευξη, οι αναγνώστες που θέλουν να μάθουν περισσότερα θα πρέπει να επισκεφθούν Spoken.