Spelutvecklare ser till röst-AI för nya kreativa möjligheter

Ljudsyntesteknologi, särskilt talsyntes, har blivit mycket mer avancerad under de senaste åren. Medan text-till-tal-teknologi har funnits i decennier har tekniken blivit mycket mer naturligljudande. Senaste algoritmerna kan ta bara några timmars ljud och syntetisera högrealistiska ljudprover. När tekniken utvecklas öppnas fler tillämpningar, inklusive möjligheter inom kreativ media. Nyligen, som rapporterats av VentureBeat, har videospelbolag börjat undersöka användningen av AI-röstgenerering för att producera dialog för videospel.

Ett företag, Leviathan Games, har börjat implementera röst-AI inom spel som de för närvarande utvecklar. Wyeth Ridgway, ägaren av Leviathan Games, förklarade att röst-AI kunde förändra speldesign på dramatiska sätt. Ridgway förklarade att användningen av röst-AI i speldesign är en framväxande trend, och jämförde den med hur 3D-animationsprogramvara har förändrats under det senaste decenniet, med företag som Pixar som skapar proprietär programvara för att underlätta animation och modellering.

Traditionella metoder för att generera tal fungerar genom att lägga till förinspelade ljudfiler tillsammans på flyget, sammanfogar meningar från tidigare existerande ord och fraser. Denna metod för talsyntes kräver inspelning av hundratals timmars dialog och manuell märkning av ljudklipp. Det låter också något onaturligt eftersom betoning och ton tendens att skifta över ord. I jämförelse låter den senaste röst-AI betydligt mer naturlig och fungerar på ett annat sätt.

Röst-AI bygger på djupa neurala nätverk. WaveNet var en av de första AI:erna som kunde generera övertygande, naturligljudande ljudprover. Eftersom ljudproverna genereras från scratch finns det ingen anledning att förinspela hundratals timmars dialog, så länge tillräckligt träningsdata är tillgängligt. Optimerade GANs och LSTM-modeller kan generera ljud efter att ha tränats på bara några timmars märkt ljud. Resultaten kan vara extraordinärt övertygande, som när Googles Duplex-experiment ringde en frisör för att boka en tid.

När dessa teknologier blir mer kraftfulla, standardiserade och lättillgängliga genom molnberäkning är det troligt att fler speltillverkare kommer att vända sig till röst-AI för att minska produktions tid och kostnader. Vissa företag skapar redan modeller som kan användas av speltillverkare. Replica Studios specialiserar sig på AI-röstteknologi, och vissa ljudprover som genereras av deras teknologi kan höras på länkarna här och här.

Det är osannolikt att speltillverkare kommer att välja att avstå från att använda röstskådespelare över AI. I själva verket kan röst-AI öppna upp fler möjligheter för röstskådespelare. För närvarande hoppar många spelföretag ofta över att ha talade dialoger på grund av den tidsinvestering och kostnader som är förknippade med skapandet av talade dialoger. Röstskådespelare måste ofta kallas tillbaka för fler inspelningssessioner om det finns ändringar i manuset eller om speldirektörer vill ha en annan typ av prestation. Röst-AI kan användas för att experimentera med/prototypa dialog, för att få en känsla för vilka typer av manusändringar och revisioner som behöver göras innan en professionell röstskådespelare anlitas för att spela in manuset. Detta kan leda till att fler företag har resurserna att investera i skapandet av talade dialoger.

AI-röstmodeller kan till och med tränas på en specifik röstskådespelares röst, och AI användas för att generera oväsentliga dialogklipp, så länge skådespelaren får betalt för användningen av sin röst. Som rapporterats av VentureBeat, är röstskådespelare som Simon J. Smith optimistiska om den ökande användningen av AI-röstmodeller och deras potential att öppna upp nya möjligheter för röstskådespel.

Förutom att använda röst-AI för att prototypa manus eller skapa talade rader för mindre karaktärer, kan speltillverkare också använda röst-AI för att ge spelare fler anpassningsalternativ för rollspel. För närvarande har till och med spel som tillåter spelare att välja en röst för sina avatarer vanligtvis bara ett fåtal alternativ. Med användningen av röst-AI kan alternativen vara funktionellt obegränsade.