Phil Marshall, Fondatore e CEO di Spoken – Serie di Interviste

Phil Marshall, Fondatore e CEO di Spoken, è un medico, inventore, imprenditore tecnologico e scrittore di fantascienza la cui carriera ha attraversato il settore sanitario, i media digitali, l’intelligenza artificiale e l’innovazione di prodotto. Prima di lanciare Spoken nel 2024, Marshall ha co‑fondato Conversa Health, una società di coinvolgimento personalizzato dei pazienti e di IA conversazionale acquisita da Amwell nel 2021, diventata parte della sua attività di assistenza virtuale automatizzata. In precedenza, ha trascorso più di un decennio in WebMD come Vicepresidente della Strategia di Prodotto, è stato Senior Vice President della Gestione Prodotto presso Press Ganey Associates e ha fondato la startup di tecnologia video collaborativa JumperCut. Il suo lavoro si concentra sempre più sull’intersezione tra IA, narrazione, interfacce cervello‑computer e tecnologie della conoscenza, combinando il suo background da tecnologo e imprenditore con l’interesse per la fantascienza e le forme emergenti di interazione digitale.

Spoken è una piattaforma di audiolibri potenziata dall’IA progettata per aiutare autori, editori e titolari di diritti a trasformare i manoscritti in audio prodotto professionalmente senza ricorrere a uno studio di registrazione tradizionale. La sua tecnologia analizza il linguaggio, lo stile, la struttura narrativa e i personaggi di un manoscritto prima di assegnare voci distinte per la narrazione e i dialoghi, supportando produzioni a narratore unico, a due narratori e a più voci. Gli autori possono utilizzare voci generate su misura, scegliere tra più di 100 attori vocali professionisti a pagamento, o clonare la propria voce, mantenendo la proprietà del lavoro, dei master e dei diritti di distribuzione. Spoken offre anche un’interfaccia di programmazione delle applicazioni (API) rivolta agli editori che desiderano produrre audiolibri su cataloghi più ampi, sottolineando un modello etico di IA secondo cui i testi scritti non vengono usati per addestrare i suoi sistemi e gli attori vocali umani partecipanti sono compensati.

Il tuo percorso ti ha portato dalla medicina e dalla strategia di prodotto a WebMD alla fondazione di Conversa Health e ora a Spoken. Quale problema nella creazione di audiolibri ti ha convinto a fondare Spoken e in che modo il tuo lavoro precedente nell’IA conversazionale ha influenzato la piattaforma che stai costruendo oggi?

Con Conversa, la nostra missione era estendere la voce del team di cura automatizzando contatti personalizzati, domande di follow‑up e indicazioni che un dipartimento clinico di un grande sistema sanitario fornirebbe direttamente ai pazienti per telefono, se avesse avuto il tempo. Inizialmente, avevamo antropomorfizzato il bot con una persona, Cate, che si riferiva a sé stessa in prima persona. Alla fine, però, ho deciso che fingere umanità era ingannevole. Cate non era una persona, e non volevo che i pazienti lo credessero. Così abbiamo rimosso il nome della persona e siamo passati a un plurale “Noi” per farla apparire come un’estensione del team di cura, che effettivamente era. L’esperienza mi ha insegnato che le soluzioni automatizzate possono comunque sentirsi come un’autentica estensione della cura umana senza fingere di essere umane.

Passando a Spoken, ci concentriamo su un’espressione autentica e centrata sull’uomo. Il problema che aiutiamo a risolvere è evidente: la maggior parte delle storie non riesce a raggiungere il pubblico in più rapida crescita (gli ascoltatori) con il loro pieno potenziale audio a causa di vincoli di tempo e costo, ma la mia filosofia di lungo corso di essere una genuina estensione degli esseri umani ha giocato un ruolo fondamentale. A differenza dei podcast IA che cercano di fabbricare battute o di agenti che simulano compassione, la narrazione Multi‑Cast di Spoken porta alla vita le parole autentiche dell’autore. Poiché raccontiamo storie, non cerchiamo di replicare interazioni umane, non c’è alcuna finzione che la nostra IA sia una persona. Questi sono personaggi di una storia, quindi siamo fortunati a evitare qualsiasi confusione o conflitto.

In qualità di scrittore di fantascienza hard e di imprenditore IA, come immaginavi una volta che l’intelligenza artificiale si sarebbe evoluta e dove la realtà dello sviluppo dell’IA si è discostata più nettamente dal futuro che avevi immaginato?

Questa domanda è molto cara al mio cuore. Amo vivere all’intersezione di arte, scienza e tecnologia, e descrivere sistemi automatizzati nella mia fantascienza di prossimo futuro è un ottimo esempio di ciò. Infatti, ogni azienda futura di cui scrivo – e ce ne sono diverse – ha un dominio che possiedo, un prodotto che ho progettato e un concetto che credo possa un giorno diventare una vera azienda. Anche la scultura davanti a casa mia è modellata sulla forma modernista del logo di The Kite Factory, un’azienda che immagino creerà un giorno la tecnologia antigravitazionale che trasformerà il pianeta!

Concentrandomi sull’IA, ho un problema quando la fantascienza futura non affronta come le persone derivano, usano e condividono le informazioni. Nell’anno 2100, useranno ancora un telefono per chiamare le persone e rispondere a domande di fatto? La mia filosofia nella scrittura, e nella vita reale, è semplice: ciò che può essere automatizzato sarà automatizzato, e tendenzialmente ci muoveremo verso informazioni più in tempo reale, più collaborative e più integrate fisicamente. Devo aggiungere, però, che ho una avversione personale agli impianti. È per questo che, nella trama del mio libro, quando Elon Musk ha collegato i suoi satelliti Starlink agli impianti Neuralink e ha iniziato a trasmettere messaggi direttamente nel cervello delle persone, abbiamo proibito gli impianti cerebrali!

Alla domanda della divergenza: poiché credo che ciò che può essere automatizzato sarà automatizzato, l’automazione delle domande di fatto sta avvenendo come una semplice inevitabilità. Tuttavia, per quanto riguarda le questioni del cuore – arte, musica e storie – c’è stata una certa divergenza. Poiché l’IA è addestrata su schemi pre‑esistenti, per definizione non potrà mai creare qualcosa di veramente nuovo. Eppure le persone stanno scrivendo storie, creando arte e componendo musica usando l’IA. Come è possibile? Perché l’arte non deve essere necessariamente nuova o unica. Credo che, in futuro, quelle creazioni che romperanno gli schemi saranno ancora più preziose. Spero che saremo ancora in grado di riconoscerle quando accadrà.

Uno studio recente Edison Research ha confrontato la produzione multi‑cast di Spoken con una versione umana a narratore unico prodotta professionalmente. Quanto del vantaggio di Spoken attribuisci alla tecnologia IA sottostante e quanto al fatto di dare a ogni personaggio una voce distinta? Come potrebbero differire i risultati rispetto a un cast umano completo?

Analizzare la storia e ogni personaggio per ricavare la voce perfetta è, in effetti, una grande parte della nostra IA. Seguiamo un processo intensivo per derivare gli strati sottostanti della storia, dai rudimenti come genere e lingua alla cadenza dettata da accenti e stile, così come la coesione della scena con più personaggi che interagiscono. Tutti questi livelli guidati dall’IA informano la narrazione della voce del personaggio. È ciò che chiamiamo “Modalità Magica”, e potete immaginarla come la miscelazione di colori di vernice.

Per quanto riguarda come i risultati potrebbero differire da un cast umano completo, dipende davvero da costo e flusso di lavoro. Un clic e poche centinaia di dollari, rispetto a un cast completo, non è accessibile per gli autori indipendenti e la maggior parte degli editori, motivo per cui non era il nostro punto di confronto. Per quanto riguarda la qualità, però, credo che stiamo già avvicinandoci alla parità con un cast completo, quindi la qualità sarà indistinguibile.

Spoken Multi‑Cast ha ricevuto valutazioni più alte per le scene guidate dai personaggi, mentre la narrazione umana ha ottenuto risultati migliori durante l’esposizione. Cosa rende particolarmente difficili i passaggi non dialogici per la narrazione IA e come state lavorando per colmare questo divario?

In realtà, non è che i passaggi non dialogici siano difficili per la narrazione IA; è semplicemente che il numero di dinamiche con cui l’IA deve lavorare è ancora inferiore a quello di cui dispone un attore vocale umano. Pensate a ogni sfumatura di inflessione e consegna che un narratore unico può portare a un passaggio. Con il multi‑cast, però, il numero di dinamiche è molto più ampio grazie ai timbri personalizzati delle voci dei personaggi e al processo di miscelazione, ancora una volta, come i colori di vernice. Ciò significa che le scene multi‑cast possono rendere più reale l’interazione tra più persone in un modo che un narratore unico faticherebbe a eguagliare.

Per colmare il divario, il numero di dinamiche usate nella narrazione IA a narratore unico continuerà ad aumentare, e il divario continuerà a ridursi.

Prima di ascoltare i campioni, solo il 31 % dei partecipanti aveva manifestato interesse per gli audiolibri narrati da IA, ma la percentuale è salita al 65 % dopo aver sperimentato Spoken Multi‑Cast. Quali elementi della performance ritieni siano stati i più responsabili del cambiamento di percezione?

In realtà è stato il contrario, e quell’elemento di design del sondaggio è super importante. Il 65 % ha detto che ascolterebbe un intero audiolibro con questa narrazione dopo aver sentito gli estratti, prima di sapere che fosse IA. Abbiamo poi chiesto, più in generale, se sarebbero disposti ad ascoltare audiolibri narrati usando IA, e solo il 31 % ha risposto sì. Successivamente, abbiamo chiesto se pensavano che ciò che avevano sentito fosse IA. Solo il 39 % di chi aveva ascoltato Spoken Multi‑Cast sospettava fosse IA, rispetto al 35 % di chi aveva sentito le versioni umane e pensava potesse essere IA. Questo ha fatto emergere la nostra prossima domanda: ora che lo sai, saresti disposto ad ascoltare un audiolibro narrato con IA? La disponibilità è salita al 43 % dopo l’esposizione, e stiamo ottimizzando attivamente per avvicinarci al nostro benchmark del 65 %.

Puoi illustrarci il flusso di lavoro dell’IA agentica che trasforma un manoscritto caricato in un audiolibro a più voci, includendo come il sistema identifica gli speaker, interpreta i personaggi, assegna le voci e determina emozione, tempistica e consegna?

Dato che i nostri brevetti sul processo sono ancora in sospeso, lo riassumerò a grandi linee dicendo che è un processo intensamente agentico che fornisce più strati. È un processo che abbiamo perfezionato in più di due anni. I rudimenti della storia, la cadenza della storia, la coesione della scena e, infine, le precise voci dei personaggi, o come mi piace chiamarle “il colore della vernice”, fanno tutti parte di esso. Ottenere l’arco della consegna emotiva e della tempistica è fondamentale, e ci concentriamo su questo più di ogni altra cosa. Spesso sorprende le persone che l’IA usata per preparare la narrazione sia circa 5 volte la quantità di IA usata nella narrazione effettiva.

Quanto controllo creativo mantiene un autore sulla produzione finale e quali strumenti sono disponibili quando l’IA interpreta erroneamente un personaggio, una pronuncia, un battito emotivo o l’intenzione narrativa?

L’autore ha il controllo assoluto sulla produzione finale. Che si tratti di inflessioni emotive, accenti, timbro vocale o tempistica, controlla tutto. Il nostro obiettivo è avvicinarli il più possibile all’eccellenza con un solo clic. Se l’autore, l’editore o il produttore necessita di una consegna molto specifica di un passaggio, può usare “Speak It” per parlare nel microfono e dimostrare come vuole che venga consegnato, e la voce del personaggio obbedirà magnificamente.

Crediamo che gli autori debbano sentirsi pienamente proprietari del loro lavoro, fino alla voce usata nei titoli di apertura e chiusura. Anche “Made with Spoken” utilizzerà la voce di loro scelta, inclusa la loro voce personale se lo desiderano.

Spoken permette agli autori di usare voci generate su misura così come cloni vocali approvati da narratori professionisti che vengono compensati quando le loro voci sono usate. Come vengono integrati nel modello il consenso, la proprietà, la compensazione, i diritti di revoca e la protezione contro il clonaggio non autorizzato?

Utilizziamo solo partner vocali che aderiscono a un rigoroso codice etico, che include il rilevamento e il divieto di uso non autorizzato di una voce (particolarmente importante per proteggere voci celebri). Per esempio, abbiamo molte delle voci top di ElevenLabs nella nostra libreria. Quei doppiatori vengono pagati per ogni utilizzo da parte dei nostri autori.

Vedi la narrazione IA espandere principalmente il mercato degli audiolibri rendendo titoli precedentemente non redditizi realizzabili, o sostituirà anche parti della produzione tradizionale? Quali ruoli rimarranno distintamente umani man mano che la tecnologia matura?

Immaginiamo un mercato degli audiolibri notevolmente ampliato che attrarrà nuovi lettori, soprattutto grazie alle nostre nuove capacità di multi‑cast vivide. Alla fine, quel mercato espanso sarà guidato da un ibrido di tecnologia e umani. Il tempo lo dirà, ma questa trasformazione potrebbe riguardare meno se si tratta di talento vocale umano o IA, e più il flusso di lavoro di controllo autore/produttore e le abitudini di ascolto in evoluzione del pubblico.

Spoken combina produzione di audiolibri con editoria, scoperta, streaming, community e monetizzazione. In che modo l’IA potrebbe alla fine cambiare la narrazione stessa, piuttosto che semplicemente rendere più veloce e meno costoso il processo di produzione degli audiolibri esistenti?

Cosa significa per un lettore o ascoltatore “perdersi nella storia”? È davvero questo il nocciolo: offrire al pubblico un’esperienza audio immersiva in un momento in cui la domanda di narrativa guidata da personaggi è in crescita e l’audio sta diventando la modalità dominante di consumo delle storie. Alla fine, sia che si tratti di un racconto breve, di un memoir personale, di fan‑fic o di fantasy epico, la rapidità e il basso costo di creare una consegna vivida e naturale avranno profonde implicazioni a lungo termine. Il mercato attuale degli audiolibri è l’opportunità a breve termine, ma formati brevi, verticali, seriali, fan‑fic e numerosi altri derivati prospereranno di conseguenza. E quando lo faranno, vogliamo che Spoken Multi‑Cast^TM sia al loro cuore.

Grazie per la splendida intervista, i lettori che desiderano saperne di più dovrebbero visitare Spoken.