Phil Marshall, Fundador e CEO da Spoken – Série de Entrevistas

Phil Marshall, fundador e CEO da Spoken, é médico, inventor, empreendedor de tecnologia e escritor de ficção científica, cuja carreira abrangeu saúde, mídia digital, inteligência artificial e inovação de produtos. Antes de lançar a Spoken em 2024, Marshall cofundou a Conversa Health, uma empresa de engajamento personalizado de pacientes e IA conversacional que foi adquirida pela Amwell em 2021 e se tornou parte de seu negócio de cuidados virtuais automatizados. No início de sua carreira, ele passou mais de uma década na WebMD como vice‑presidente de Estratégia de Produto, depois atuou como vice‑presidente sênior de Gerenciamento de Produto na Press Ganey Associates e fundou a startup de tecnologia de vídeo colaborativo JumperCut. Seu trabalho tem se concentrado cada vez mais na interseção entre IA, narrativa, interfaces cérebro‑computador e tecnologias de conhecimento, combinando sua formação como tecnólogo e empreendedor com seus interesses em ficção científica e formas emergentes de interação digital.

Spoken é uma plataforma de audiolivros alimentada por IA projetada para ajudar autores, editoras e detentores de direitos a transformar manuscritos em áudio produzido profissionalmente sem depender de um estúdio de gravação tradicional. Sua tecnologia analisa a linguagem, o estilo, a estrutura narrativa e os personagens de um manuscrito antes de atribuir vozes distintas para narração e diálogo, suportando produções com narrador único, duplo narrador e multi‑cast. Os autores podem usar vozes geradas customizadas, selecionar entre mais de 100 atores de voz profissionais pagos, ou clonar sua própria voz, mantendo a propriedade de seu trabalho, dos masters e dos direitos de distribuição. Spoken também oferece uma interface de programação de aplicativos (API) voltada para editoras que buscam produzir audiolivros em catálogos maiores, enfatizando um modelo ético de IA no qual, segundo a empresa, obras escritas não são usadas para treinar seus sistemas e os atores de voz humanos participantes são remunerados.

Sua carreira o levou da medicina e da estratégia de produto na WebMD à fundação da Conversa Health e agora à Spoken. Que problema na criação de audiolivros o convenceu a fundar a Spoken, e como seu trabalho anterior em IA conversacional influenciou a plataforma que você está construindo hoje?

Com a Conversa, nossa missão era ampliar a voz da equipe de cuidados automatizando abordagens personalizadas, perguntas de acompanhamento e orientações que um departamento clínico de um grande sistema de saúde forneceria diretamente aos pacientes por telefone, se tivesse tempo. Inicialmente, antropomorfizamos o bot com uma persona, Cate, que se referia a si mesma na primeira pessoa. No final, porém, decidi que fingir humanidade era desonesto. Cate não era uma pessoa, e eu não queria que os pacientes pensassem que fosse. Então, removemos o nome da persona e mudamos para o plural “Nós”, para que fosse visto como uma extensão da equipe de cuidados, o que realmente era. A experiência me ensinou que soluções automatizadas ainda podem parecer uma extensão autêntica do cuidado humano sem pretender ser humana.

Avançando para a Spoken, onde nos concentramos em expressão autêntica e centrada no ser humano. O problema que ajudamos a resolver é óbvio – a maioria das histórias não consegue alcançar o público de crescimento mais rápido (os ouvintes) com todo o seu potencial de áudio devido a restrições de tempo e custo – mas minha filosofia de longa data de ser uma extensão genuína dos humanos desempenhou um papel importante. Ao contrário de podcasts de IA que tentam fabricar bate‑papo ou agentes que simulam compaixão, a narração Multi‑Cast da Spoken traz as palavras verdadeiras do autor à vida. Como estamos contando histórias, e não tentando replicar interações humanas, não há pretensão de que nossa IA seja uma pessoa. São personagens de uma história, portanto somos afortunados por evitar qualquer confusão ou conflito.

Como escritor de ficção científica dura e empreendedor de IA, como você esperava que a inteligência artificial evoluísse, e onde a realidade do desenvolvimento da IA divergiu mais nitidamente do futuro que você imaginava?

Esta pergunta é muito cara ao meu coração. Eu adoro viver na interseção entre arte, ciência e tecnologia, e retratar sistemas automatizados na minha ficção científica de futuro próximo é um ótimo exemplo disso. Na verdade, toda empresa futura que eu escrevo – e são várias – tem um domínio que possuo, um produto que projetei e um conceito que acredito que um dia possa se tornar uma empresa real. Até a escultura em frente à minha casa foi modelada a partir da forma modernista do logotipo da The Kite Factory, uma empresa que imagino que um dia criará a tecnologia antigravidade que transformará o planeta!

Focando em IA, tenho um problema quando a ficção científica do futuro não aborda como as pessoas obtêm, usam e compartilham informação. No ano 2100, elas ainda estarão realmente usando um telefone para ligar a pessoas e responder perguntas factuais? Minha filosofia ao escrever, e na vida real, é simples: o que pode ser automatizado será automatizado, e sempre tenderemos a informações mais em tempo real, mais colaborativas e mais integradas fisicamente. Devo acrescentar, porém, que tenho aversão pessoal a implantes. É por isso que, na história de fundo do meu livro, quando Elon Musk conectou seus satélites Starlink aos implantes Neuralink e começou a transmitir mensagens diretamente aos cérebros das pessoas, proibimos implantes cerebrais!

Quanto à questão da divergência: como acredito que o que pode ser automatizado será automatizado, a automação de perguntas factuais está ocorrendo como uma simples inevitabilidade. Contudo, quando se trata de questões do coração – arte, música e histórias – há uma certa divergência. Como a IA é treinada em padrões preexistentes, por definição, nunca será capaz de criar algo realmente novo. Ainda assim, as pessoas estão escrevendo histórias, criando arte e compondo música usando IA. Como isso é possível? Porque a arte não precisa ser verdadeiramente nova ou única. Acredito que isso significará que, no futuro, as criações que realmente rompam o molde serão ainda mais preciosas. Espero que ainda possamos reconhecer quando isso acontecer.

Um recente estudo da Edison Research comparou a produção multi‑cast da Spoken com uma versão humana de narrador único produzida profissionalmente. Quanto da vantagem da Spoken você atribui à tecnologia subjacente de IA e quanto vem de dar a cada personagem uma voz distinta? Como os resultados poderiam diferir em relação a um elenco humano completo?

Analisar a história e cada personagem para derivar a voz perfeita deles é, de fato, uma grande parte da nossa IA. Passamos por um processo intensivo e agente para extrair as camadas subjacentes da história, desde rudimentos como gênero e linguagem até a cadência ditada por sotaques e estilo, bem como a coesão de cena de múltiplos personagens interagindo. Todas essas camadas impulsionadas por IA informam a narração da voz do personagem. É o que chamamos de “Modo Mágico”, e você pode pensar nisso como misturar cores de tinta.

Quanto a como os resultados podem diferir de um elenco humano completo, realmente se resume a custo e fluxo de trabalho. Um clique único e algumas centenas de dólares, comparado a um elenco completo, não é acessível a autores independentes e à maioria das editoras, por isso não foi nosso ponto de comparação. Quanto à qualidade, porém, acredito que já estamos nos aproximando da paridade com o elenco completo, de modo que a qualidade será indistinguível.

Spoken Multi‑Cast recebeu avaliações mais altas para cenas centradas em personagens, enquanto a narração humana teve melhor desempenho durante a exposição. O que torna trechos sem diálogo particularmente difíceis para a narração por IA, e como vocês estão trabalhando para fechar essa lacuna?

Na verdade, não é que trechos sem diálogo sejam difíceis para a narração por IA; é apenas que o número de dinâmicas que a IA tem para trabalhar ainda é menor do que o que um ator de voz humano possui. Pense em cada nuance de inflexão e entrega que um narrador único pode trazer a um trecho. Com o multi‑cast, porém, o número de dinâmicas é muito maior devido aos timbres variados e personalizados das vozes dos personagens e ao processo de mesclá‑las, novamente, como cores de tinta. Isso significa que cenas multi‑cast podem trazer à tona o realismo das interações entre várias pessoas de uma forma que um narrador único teria dificuldade em igualar.

Quanto a fechar a lacuna, o número de dinâmicas usadas na narração de IA com narrador único continuará a aumentar, e a lacuna continuará a diminuir.

Antes de ouvir as amostras, apenas 31 % dos participantes manifestaram interesse em audiolivros narrados por IA, mas esse número subiu para 65 % depois que experimentaram o Spoken Multi‑Cast. Quais elementos da performance você acredita que foram mais responsáveis por mudar suas percepções?

Na verdade, foi o contrário, e esse elemento de design da pesquisa é super importante. 65 % disseram que ouviriam um audiolivro inteiro com esta narração após ouvir os trechos, antes de saber que era IA. Em seguida, perguntamos, de forma mais geral, se eles estariam dispostos a ouvir audiolivros narrados usando IA, e apenas 31 % responderam sim. Depois, perguntamos se eles achavam que o que tinham ouvido era IA. Apenas 39 % dos que ouviram o Spoken Multi‑Cast suspeitaram que poderia ser IA, comparado a 35 % dos que ouviram as versões humanas e pensaram que as deles poderiam ser IA. Isso fez nossa próxima pergunta surgir: Agora que você sabe disso, estaria disposto a ouvir um audiolivro narrado com IA? Essa disposição subiu para 43 % após a exposição, e estamos ativamente otimizando para fechar a lacuna em direção à nossa referência de 65 %.

Você pode nos guiar pelo fluxo de trabalho agente da IA que transforma um manuscrito enviado em um audiolivro com múltiplas vozes, incluindo como o sistema identifica os locutores, interpreta os personagens, atribui vozes e determina emoção, tempo e entrega?

Dadas as patentes pendentes sobre o processo, resumirei de forma geral dizendo que se trata de um processo intensamente agente que entrega múltiplas camadas. É um processo que aprimoramos ao longo de mais de dois anos. Os rudimentos da história, a cadência da história, a coesão da cena e, finalmente, as vozes precisas dos personagens, ou como gosto de chamar, “a camada de tinta”, fazem parte disso. Definir o arco da entrega emocional e o timing é crítico, e trabalhamos nisso mais que em qualquer outra coisa. Muitas vezes surpreende as pessoas que a IA usada para preparar a narração é cerca de 5 vezes a quantidade de IA usada na narração propriamente dita.

Quanto controle criativo um autor mantém sobre a produção final, e quais ferramentas estão disponíveis quando a IA interpreta mal um personagem, pronúncia, batida emocional ou intenção narrativa?

O autor tem controle absoluto sobre a produção final. Seja nas inflexões emocionais, sotaques, timbre da voz ou timing, ele controla tudo. Nosso objetivo é aproximá‑las da excelência com um único clique, tanto quanto possível. Se o autor, editora ou produtor precisar de uma entrega muito específica de um trecho, pode usar “Speak It” para falar ao microfone e demonstrar como deseja que seja entregue, e a voz do personagem obedecerá lindamente.

Acreditamos que os autores devem sentir plena propriedade de seu trabalho, até a voz usada nos créditos de abertura e encerramento. Até mesmo “Made with Spoken” usará a voz de sua escolha, inclusive sua própria voz pessoal, se assim desejarem.

Spoken permite que autores usem vozes geradas customizadas, bem como clones de voz aprovados de narradores profissionais que são remunerados quando suas vozes são usadas. Como consentimento, propriedade, compensação, direitos de revogação e proteção contra clonagem não autorizada são incorporados a esse modelo?

Nós usamos apenas parceiros de voz que aderem a um rígido código de ética, que inclui a detecção e proibição de uso não autorizado de uma voz (especialmente importante para proteger vozes notáveis de celebridades). Por exemplo, temos muitas das principais vozes da ElevenLabs em nossa biblioteca. Esses atores de voz são pagos por cada uso pelos nossos autores.

Você vê a narração por IA expandindo principalmente o mercado de audiolivros ao tornar títulos anteriormente inviáveis economicamente, ou ela também substituirá partes da produção tradicional? Quais papéis permanecerão distintamente humanos à medida que a tecnologia amadurece?

Prevemos um mercado de audiolivros enormemente expandido que atrairá novos leitores, especialmente graças às nossas novas e vívidas capacidades multi‑cast. No final, esse mercado ampliado será impulsionado por um híbrido de tecnologia e humanos. O tempo dirá, mas essa transformação pode ser menos sobre se o talento vocal é humano ou IA, e mais sobre o fluxo de trabalho de controle autor/produtor e os hábitos de escuta em constante mudança do público.

Spoken combina produção de audiolivros com publicação, descoberta, streaming, comunidade e monetização. Como a IA poderia, em última análise, mudar a própria narrativa, em vez de simplesmente tornar o processo de produção de audiolivros existente mais rápido e menos caro?

O que significa para um leitor ou ouvinte “perder-se na história”? É exatamente disso que se trata: oferecer ao público uma experiência de áudio imersiva num momento em que a demanda por ficção centrada em personagens está crescendo e o áudio está se tornando a modalidade dominante de consumo de histórias. No final, seja um conto, memórias pessoais, fanfic ou fantasia épica, a rapidez e o baixo custo de criar uma entrega vívida e natural terão implicações profundas a longo prazo. O mercado atual de audiolivros é a oportunidade de curto prazo, mas formatos curtos, curtas verticais, seriados, fanfic e diversas ramificações prosperarão como resultado. E quando isso acontecer, queremos que o Spoken Multi‑Cast^TM esteja no coração deles.

Obrigado pela ótima entrevista, leitores que desejam saber mais devem visitar Spoken.