Podcastien tulevaisuus on tekoäly

Karkeasti ottaen noin 22 000 uutta podcastia lanseerataan kuukaudessa. Apple Podcasts -hakemistossa on tällä hetkellä noin 2,5 miljoonaa (yli 71 miljoonaa jaksoa) podcastia, kertoo Podcast Industry Insights. Ja nämä ovat vain ne, joista tiedämme.

“Monet podcastaajat eivät mene enää suurten alustojen kautta. He menevät suoraan kuulijoidensa luo, myyvät premium-sisältöä ja saavuttavat suurta menestystä”, sanoo Andy Taylor, entinen BBC Radion työntekijä ja Cardiffissa sijaitsevan R&D-konsultointiyhtiön Bwlb perustaja.

Ja tämä ei ole kaikkea, mitä voidaan sanoa kasvavasta määrästä podcastien kaltaista sisältöä, joko brändien luomaa mainostamista varten tai tapahtumatuottajien, jotka haluavat esimerkiksi tehdä puheista saatavilla tilausperusteisia. Jokainen sisältö vaatii tuotantoa ja jakelua, riippumatta siitä, ovatko ne audioammattilaisia vai ihmisiä, jotka oppivat taidon. Siksi mitä enemmän he voivat automatisoida suuria tuotannon osia, sitä enemmän he voivat keskittyä sisältöön.

“Erilaiset paikat, joissa äänisisältöä julkaistaan, ovat räjähtäneet”, selittää Jonathan Wyner, M Works Masteringin päällikkö ja Berklee College of Musicin professori Bostonissa. “Kaikissa näissä yhteyksissä on todellinen motivaatio ja pakottava tarve luojille olla monipuolisempia.”

Ei puhumattakaan, tuottavampia ja tehokkaampia.

Tekoälyn nousu

Teckoäly (AI) — ohjelmisto, joka voi automatisoida tehtäviä, jotka aiemmin tehtiin ihmisten toimesta — pitää avaimen podcast-sisällön tulvan käsittelyyn. Tekoäly voi kiihdyttää tuotantoa, tehdä podcasteista kuulovammat ja luoda pohjan huomisen äänikokemuksille.

“Tekoäly auttaa perusteellisesti toistuvien tehtävien hoitamisessa, jotta podcastaajan työnkulkua voi nopeuttaa”, selittää Manos Chourdakis, tutkimusinsinööri Nomono:ssa, joka kehittää tekoälypohjaisia podcast-työkaluja. “Esimerkiksi tekoälyn avulla et tarvitse kuunnella koko podcastia, jotta löytäisit kohdan, jossa joku sanoi jotain väärin, ja korvaisit tai poistaisit sen. Voit tehdä sen itse, mutta tekoäly tekee sen nopeammin.”

Sitten on tehtäviä, joita voidaan suorittaa vain tekoälyllä — ainakin suuressa mittakaavassa, kuten melun poistaminen tai dialogin parantaminen. “Hyvälaatuinen dialogin parantaminen olisi mahdotonta ilman tekoälyä”, Chourdakis sanoo. ” Ainakin mahdotonta kohtuullisessa ajassa perinteisten työkalujen avulla.”

Sopiva tehtäviin, jotka ovat yksinkertaisia

Tekoälyn soveltamiset podcastien tuotannossa ovat yhtä moninaisia kuin tuotantotehtävät. Joitakin on suunniteltu suoraan podcast-alustoille. Kun luojat lataavat podcastinsa Podcast.co -isäntäalustalle, järjestelmä “kuuntelee” automaattisesti äänitiedostot ja normalisoi äänitasot.

“Mikä tahansa työkalu, joka voi auttaa vähentämään työn mielentylsää osaa, on hyvä asia”, sanoo Mike Cunsolo, alustan perustaja. Cunsolo johtaa myös Cue:a, podcast-tuotantoyhtiötä, joka työskentelee yritysbrändien kanssa, ja Matchmaker.fm:ia, joka yhdistää podcast-tuottajia vieraille. “Aina tarvitaan ihmisen asiantuntijuutta, mutta pian koneet voivat oppia ymmärtämään, mitä tekee podcastin kiinnostavaksi, ja vähentää aikaa tehtävissä.”

Ratkaisutoimittaja Descript soveltaa tekoälyä podcast-tekniikan moniin osa-alueisiin, mukaan lukien melun poistaminen ja kaikuefektien hallinta. Yksi “mielentylsistä” tehtävistä, jonka Descript voi hoitaa, on huoneen sävy.

“Joissakin tapauksissa tuottajat tarvitsevat digitaalista hiljaisuutta podcastiin. Ehkä editoinnin välillä tai vetämään väliä lauseiden välillä”, sanoo Jay LeBoeuf, Descriptin liiketoiminnan ja yrityskehityksen johtaja. “Mutta se kuulostaa epäluonnolliselta.”

Jos tuottajat eivät olekaan tallentaneet huoneen sävyä, kun podcastia tallennettiin, heidän on mahdollisesti palattava hakemaan se tai kuunneltava siitä, missä se on tallennettu, kopioida ja liittää se tarvittaessa ja editoida tulos, jotta se sulautuu luonnollisesti.

Tai tietokoneet voivat hoitaa sen. Descriptin tekoälypohjainen huoneen sävyn generointi analysoi tallennetta, tunnistaa huoneen sävyn ja synthesoi sen automaattisesti, missä se on tarpeen. Tällainen teknologia ei ainoastaan poista yksinkertaisia tehtäviä, vaan myös mahdollistaa suuremman tuotannon joustavuuden.

“Tekoäly mahdollistaa meille käyttää halvempaa laitteistoa, huonommalla kuulosta olevia huoneita ja meluisampia paikkoja ja saada silti hyvänlaatuisia tuloksia”, sanoo Nomono:n Chourdakis.

Uudet tekoälypohjaiset ominaisuudet

Tekoäly myös avaa oven podcastien innovaatioon — luomalla uusia ratkaisuja, jotka nostavat podcastaajien ja kuulijoiden vaatimukset. Esimerkiksi Epidemic Audio Reference (EAR) -työkalu auttaa podcastaajia löytämään tekijänoikeuksista vapaita kappaleita, jotka perustuvat kappaleisiin, joita he pitävät.

“Oletetaan, että etsit intro- tai outro-musiikkia ja ajattelet tiettyä kappaletta, mutta se on suojattu tekijänoikeuksilla”, sanoo Chourdakis. “Järjestelmä käyttää tekoälyä sen takana auttaaksesi löytämään jotain samankaltaista.”

Bwlb:ssa Taylorin tiimi kehitti Accordion:in, tekoälypohjaisen ratkaisun, joka voi ottaa podcastin ja toistaa sen eri pituuksilla.

“Jokainen muu elämän osa-alue on muuttumassa älykkäämmäksi — älykkäät kodit, älykkäät jääkaapit”, sanoo Taylor. “Ihmiset haluavat enemmän valtaa ja mukavuutta podcast-kokemuksestaan.”

Kun Taylor työskenteli BBC:llä dokumenttien parissa, häntä pyydettiin usein lyhyempiä versioita eri alustoja varten. Prosessi oli aina manuaalinen. Accordion soveltaa ohjelmistoalgoritmeja podcast-sisältöön älykkäästi luodakseen eri pituuksisia versioita. “Se ei nopeuta mitään”, sanoo Taylor, “mutta se antaa käyttäjälle valvonnan sisällön kestosta ilman, että se menettää sävynsä, rakenteensa tai kuunneltavuutensa.”

Keskittyminen immersiiviseen kerrontaan

Mitä enemmän podcastaajat käyttävät tekoälytyökaluja, sitä paremmaksi ne tulevat. Toisin sanoen, mitä enemmän ne syövät dataa, sitä enemmän ne oppivat.

Nomono:n dialogin parantamisalgoritmit perustuvat suuriin äänitallennusaineistoihin — osa puhdasta ja ymmärrettävää, osa vähemmän — jotka opettavat tekoälytyökaluja tuottamaan paremman äänen. “Podcastaajien ei tarvitse olla edistyneitä ääniaineita tuottamaan laadukasta ääntä”, sanoo Chourdakis. “Automaattisesti joitakin näistä tehtävistä, he voivat keskittyä paremmin kerrontaan ja vähemmän tylsien puhdistustehtävien parissa.”

Ja tulevaisuudessa he voivat kehittyä helpommin luodakseen uuden sukupolven immersiivisiä, tilaan perustuvia podcasteja. Esimerkiksi Nomono:n teknologia mahdollistaa objektipohjaisen äänituotannon, joka sallii tuottajien “asettaa” äänet 3D-ääniympäristöön tai luoda dynaamisia versioita, jotka voidaan räätälöidä kuulijoille.

“Median tuotanto on nyt siirtymässä vaiheeseen, jossa jos voit kuvitella sen, se voidaan tehdä”, sanoo Descriptin LeBoeuf. “Ja sinun ei enää tarvitse olla kalliita studioita tai vuosikymmeniä koulutusta saavuttaaksesi tavoitteesi.”