Phil Marshall, Spoken’ın Kurucusu ve CEO’su – Röportaj Serisi

Phil Marshall, Spoken’ın Kurucusu ve CEO’su, bir hekim, mucit, teknoloji girişimcisi ve bilim kurgu yazarıdır; kariyeri sağlık hizmetleri, dijital medya, yapay zeka ve ürün yeniliği alanlarını kapsar. Spoken’ı 2024’te başlatmadan önce, Marshall, kişiselleştirilmiş hasta katılımı ve konuşma tabanlı yapay zeka şirketi Conversa Health’i kurmuş; bu şirket 2021’de Amwell tarafından satın alınıp otomatik sanal bakım işine entegre edilmiştir. Kariyerinin erken dönemlerinde WebMD’de Ürün Stratejisi Başkan Yardımcısı olarak on yıldan fazla çalışmış, daha sonra Press Ganey Associates’ta Ürün Yönetimi Kıdemli Başkan Yardımcısı görevinde bulunmuş ve işbirlikçi video teknolojisi girişimi JumperCut’ı kurmuştur. Çalışmaları giderek yapay zeka, hikâye anlatımı, beyin‑bilgisayar arayüzleri ve bilgi teknolojileri kesişiminde odaklanmakta; teknoloji uzmanı ve girişimci geçmişini bilim kurgu ve yeni dijital etkileşim biçimlerine olan ilgisiyle birleştirmektedir.

Spoken, yazarların, yayıncıların ve hak sahiplerinin el yazmalarını geleneksel bir kayıt stüdyosuna ihtiyaç duymadan profesyonel sesli kitaplara dönüştürmelerine yardımcı olmak için tasarlanmış yapay zekâ destekli bir sesli kitap platformudur. Teknolojisi, bir el yazmasının dilini, stilini, anlatı yapısını ve karakterlerini analiz eder, ardından anlatım ve diyalog için ayrı sesler atar; tek anlatıcı, çift anlatıcı ve çoklu yayın (multi‑cast) üretimlerini destekler. Yazarlar, özel olarak oluşturulmuş sesleri kullanabilir, 100’den fazla ücretli profesyonel seslendirme sanatçısı arasından seçim yapabilir veya kendi seslerini klonlayabilir; aynı zamanda eserlerinin, ana dosyalarının ve dağıtım haklarının mülkiyetini ellerinde tutarlar. Spoken ayrıca, daha geniş kataloglarda sesli kitap üretmek isteyen yayıncılara yönelik bir uygulama programlama arayüzü (API) sunar ve yazılı eserlerin sistemlerini eğitmek için kullanılmadığını ve katılan insan seslendirme sanatçılarının ücretlendirildiğini belirten etik bir yapay zekâ modeline vurgu yapar.

Kariyeriniz sizi WebMD’de tıp ve ürün stratejisinden Conversa Health’i kurmaya ve şimdi Spoken’e götürdü. Sesli kitap oluşturmadaki hangi sorun sizi Spoken’i kurmaya ikna etti ve konuşma tabanlı yapay zekâdaki önceki çalışmalarınız bugün inşa ettiğiniz platformu nasıl etkiledi?

Conversa ile misyonumuz, kişiselleştirilmiş iletişim, takip soruları ve rehberliği otomatikleştirerek bakım ekibinin sesini genişletmekti; bu, büyük bir sağlık sistemindeki klinik bir departmanın zamanları olduğunda hastalarla telefonla doğrudan iletişim kurması anlamına geliyordu. Başlangıçta, botu Cate adlı bir kişilikle antropomorfik bir şekilde tasarlamıştık ve kendisini birinci tekil şahısla ifade ediyordu. Ancak sonunda, insanlık taklidi yapmanın yanıltıcı olduğunu fark ettim. Cate bir kişi değildi ve hastaların öyle düşündüğünü istemiyordum. Bu yüzden kişilik adını kaldırıp, bakım ekibinin bir uzantısı olarak görülmesi için çoğul “Biz” ifadesine geçtik. Bu deneyim, otomatik çözümlerin insan gibi davranmadan da insan bakımının otantik bir uzantısı gibi hissedilebileceğini öğretti.

Spoken’e geldiğimizde, otantik, insan odaklı ifadelere odaklanıyoruz. Yardım ettiğimiz sorun açıktır – çoğu hikâye, zaman ve maliyet kısıtlamaları nedeniyle tam ses potansiyeliyle en hızlı büyüyen dinleyici kitlesine ulaşamaz – ancak insanın gerçek bir uzantısı olma konusundaki uzun süredir taşıdığım felsefe büyük rol oynadı. Sohbeti üretmeye çalışan yapay zekâ podcast’leri ya da şefkati taklit eden ajanların aksine, Spoken’ın Multi‑Cast anlatımı yazarın gerçek sözlerini hayata geçirir. Çünkü biz hikâye anlatıyoruz, insan etkileşimlerini taklit etmeye çalışmıyoruz; bu yüzden yapay zekâmızın bir kişi olduğunu iddia etmiyoruz. Bunlar bir hikâyenin karakterleri, bu yüzden herhangi bir karışıklık ve çatışmadan kaçınma şansına sahibiz.

Hem sert bilim kurgu yazarı hem de yapay zekâ girişimcisi olarak, yapay zekânın nasıl evrimleşeceğini bir zamanlar nasıl bekliyordunuz ve yapay zekâ gelişiminin gerçekliği hayal ettiğiniz gelecekten en keskin şekilde nerede ayrıldı?

Bu soru benim için çok değerli. Sanat, bilim ve teknoloji kesişiminde yaşamayı seviyorum ve yakın gelecekteki bilim kurgu eserlerimde otomatik sistemleri tasvir etmek bunun güzel bir örneği. Aslında, yazdığım her gelecekteki şirket – ve birkaç tanesi var – benim sahip olduğum bir alan, tasarladığım bir ürün ve bir gün gerçek bir şirket olabileceğine inandığım bir kavram içeriyor. Evimin önündeki heykel bile, bir gün gezegeni dönüştürecek anti‑yerçekimi teknolojisini yaratacağını hayal ettiğim The Kite Factory logosunun modernist şekline dayanıyor!

Yapay zekâya odaklandığımda, gelecekteki bilim kurgu eserlerinin insanların bilgi elde etme, kullanma ve paylaşma şekillerine değinmemesinden şikayetçiyim. 2100 yılında hâlâ gerçek sorulara yanıt almak için telefonla arama yapıyorlar mı? Yazımda ve gerçek hayatta benim felsefem basit: Otomatikleştirilebilecek her şey otomatikleştirilecek ve her zaman daha gerçek zamanlı, daha iş birliğine dayalı ve daha fiziksel olarak bütünleşik bilgiye doğru bir eğilim göstereceğiz. Ancak, kişisel olarak implantlara karşı bir itirazım olduğunu eklemeliyim. Bu yüzden kitabımın arka planında, Elon Musk Starlink uydularını Neuralink implantlarına bağlayıp mesajları doğrudan insanların beyinlerine yayınladığında, beyin implantlarını yasakladık!

Farklılaşma sorusuna gelince: Otomatikleştirilebilecek her şeyin otomatikleştirileceğine inandığım için, gerçek soruların otomatikleştirilmesi basit bir kaçınılmazlık olarak gerçekleşiyor. Ancak kalp meselelerine – sanat, müzik ve hikâyelere – geldiğimizde bir miktar farklılaşma var. Yapay zekâ, önceden var olan kalıplarla eğitildiği için tanım gereği gerçekten yeni bir şey yaratamaz. Yine de insanlar yapay zekâ kullanarak hikâye yazıyor, sanat yaratıyor ve müzik besteliyor. Bu nasıl mümkün? Çünkü sanatın gerçekten yeni ya da benzersiz olması gerekmez. Bunun gelecekte, kalıpları kıran yaratımların daha da değerli olacağı anlamına geldiğini düşünüyorum. Bu gerçekleştiğinde hâlâ fark edebileceğimizi umuyorum.

Son zamanlarda Edison Research çalışması, Spoken’ın çoklu yayın (multi‑cast) üretimini profesyonel olarak üretilmiş tek anlatıcı insan versiyonuyla karşılaştırdı. Spoken’ın avantajının ne kadarını temel yapay zekâ teknolojisine, ne kadarını ise her karaktere ayrı bir ses vermeye bağlıyorsunuz? Sonuçlar tam bir insan kadrosuna karşı nasıl farklılık gösterebilir?

Hikâyeyi ve her karakteri analiz edip mükemmel seslerini belirlemek, aslında yapay zekâmızın büyük bir parçasıdır. Tür ve dil gibi temel unsurlardan aksan ve stile göre belirlenen ritme, çoklu karakterlerin etkileşimindeki sahne bütünlüğüne kadar hikâyenin alt katmanlarını çıkarmak için yoğun bir ajan tabanlı süreçten geçiyoruz. Bu yapay zekâ destekli katmanların tümü, gerçek karakter seslendirmesini yönlendirir. Bunu “Magic Mode” (Sihirli Mod) olarak adlandırıyoruz ve bunu renkleri karıştırmaya benzetebilirsiniz.

Sonuçların tam bir insan kadrosundan nasıl farklılaşabileceğine gelince, esas olarak maliyet ve iş akışı devreye giriyor. Tek bir tıklama ve birkaç yüz dolar, tam bir kadroya kıyasla bağımsız yazarlar ve çoğu yayıncı için erişilebilir değil; bu yüzden karşılaştırma noktamız değildi. Kaliteye gelince, zaten tam kadroyla eşit seviyeye yaklaştığımıza inanıyorum; bu yüzden kalite ayırt edilemez olacak.

Spoken Multi‑Cast, karakter odaklı sahnelerde daha yüksek puan alırken, insan anlatımı açıklama bölümlerinde daha iyi performans gösterdi. Diyalog dışı pasajları yapay zekâ anlatımı için özellikle zor kılan nedir ve bu boşluğu kapatmak için neler yapıyorsunuz?

Aslında, diyolog dışı pasajların yapay zekâ anlatımı için zor olduğu değil; yapay zekânın çalışabileceği dinamik sayısının hâlâ bir insan seslendiricinin sahip olduğundan az olmasıdır. Tek bir anlatıcının bir pasajda getirebileceği tüm tonlama ve teslimat nüanslarını düşünün. Çoklu yayın (multi‑cast) ise, karakter seslerinin çeşitli, kişiselleştirilmiş tınıları ve bunların renk karıştırma gibi karıştırılması süreci sayesinde dinamik sayısının çok daha fazla olmasını sağlar. Bu, çoklu yayın sahnelerinin birden fazla kişi arasındaki etkileşimlerin gerçekçiliğini, tek bir anlatıcının zor karşılayacağı bir biçimde ortaya koyabileceği anlamına gelir.

Boşluğu kapatma konusunda, tek anlatıcı yapay zekâ anlatımında kullanılan dinamik sayısı artmaya devam edecek ve fark giderek azalacaktır.

Örnekleri dinlemeden önce, katılımcıların sadece %31’i yapay zekâ ile seslendirilmiş sesli kitaplara ilgi gösteriyordu; Spoken Multi‑Cast’i deneyimledikten sonra bu oran %65’e yükseldi. Performansın hangi unsurları bu algı değişikliğinden en çok sorumlu olduğunu düşünüyorsunuz?

Aslında durum tam tersiydi ve anketin bu tasarım öğesi çok önemli. Katılımcıların %65’i alıntıları dinledikten sonra bu seslendirmeyle bütün bir sesli kitabı dinleyeceklerini, AI olduğunu bilmeden söylediler. Daha sonra, genel olarak, AI ile seslendirilmiş sesli kitapları dinlemeye istekli olup olmadıklarını sorduk ve sadece %31’i evet yanıtını verdi. Sonra, duydukları şeyin AI olduğunu düşünüp düşünmediklerini sorduk. Spoken Multi‑Cast’i duyanların %39’u bunun AI olabileceğini düşünürken, insan versiyonlarını duyanların %35’i aynı şekilde düşündü. Bu, bir sonraki sorumuzun ortaya çıkmasını sağladı: Şimdi bunu bildiğinize göre, AI ile seslendirilmiş bir sesli kitabı dinlemeye istekli olur musunuz? Bu istek, maruz kalmanın ardından %43’e yükseldi ve biz bu boşluğu %65 hedefimize doğru aktif olarak kapatıyoruz.

Yüklenen bir el yazmasını çok sesli bir sesli kitaba dönüştüren ajan tabanlı yapay zekâ iş akışını, sistemin konuşmacıları nasıl tanımladığını, karakterleri nasıl yorumladığını, sesleri nasıl atadığını ve duygu, zamanlama ve teslimatı nasıl belirlediğini adım adım anlatabilir misiniz?

Süreçle ilgili bekleyen patentlerimiz göz önüne alındığında, bunu yüksek seviyede özetleyecek olursam, çok katmanlı bir sonuç veren yoğun bir ajan tabanlı süreç olduğunu söyleyebilirim. Bu süreci iki yıldan fazla bir sürede geliştirdik. Hikâyenin temelleri, ritmi, sahne bütünlüğü ve nihayetinde kesin karakter sesleri – ben bunlara “boya katmanı” diyorum – hepsi bu sürecin parçası. Duygusal teslimatın ve zamanlamanın yayılımını yakalamak kritik ve bu konuda her şeyden daha çok çalışıyoruz. İnsanları sık sık şaşırtan, anlatım için hazırlıkta kullanılan yapay zekânın, gerçek anlatımda kullanılan yapay zekâdan yaklaşık 5 kat daha fazla olmasıdır.

Yazar, nihai üretim üzerinde ne kadar yaratıcı kontrol sahibi ve yapay zekâ bir karakteri, telaffuzu, duygusal vuruşu ya da anlatı niyetini yanlış yorumladığında hangi araçlar mevcut?

Yazar, nihai üretim üzerinde mutlak kontrol sahibidir. Duygusal vurgular, aksanlar, ses tınısı ya da zamanlama olsun, hepsini kontrol eder. Amacımız, tek bir tıklamayla mümkün olduğunca kusursuz bir sonuç elde etmektir. Yazar, yayıncı veya yapımcı, bir pasajın çok özel bir şekilde sunulmasını istiyorsa, “Speak It” özelliğini kullanarak mikrofonlarına konuşabilir ve nasıl sunulmasını istediğini gösterebilir; karakter sesi bu talimata güzel bir şekilde uyar.

Yazarların eserlerinin tam mülkiyetini hissetmeleri gerektiğine inanıyoruz; bu, açılış ve kapanış jeneriklerinde kullanılan sesleri de kapsar. “Made with Spoken” bile, yazarın seçtiği sesi, isterse kendi kişisel sesini de kullanarak, uygulayacaktır.

Spoken, yazarların özel olarak oluşturulmuş sesleri ve sesleri kullanıldığında ücret alan profesyonel anlatıcılardan onaylı ses klonlarını kullanmalarına izin veriyor. Bu modelde onay, mülkiyet, tazminat, iptal hakları ve yetkisiz klonlamaya karşı koruma nasıl sağlanıyor?

Yalnızca etik bir kodu sıkı bir şekilde uygulayan ses ortaklarıyla çalışıyoruz; bu kod, yetkisiz ses kullanımının tespiti ve yasaklanmasını (özellikle ünlü kişilerin tanınmış seslerini korumak açısından önemlidir) içerir. Örneğin, kütüphanemizde ElevenLabs’tan birçok üst düzey ses bulunuyor. Bu seslendirme sanatçıları, yazarlarımız tarafından her kullanımda ücret alırlar.

AI seslendirmesinin, önceden ekonomik olmayan başlıkları mümkün kılarak sesli kitap pazarını genişletmesini mi yoksa geleneksel üretimin bazı bölümlerini de değiştirmesini mi görüyorsunuz? Teknoloji olgunlaştıkça hangi roller net bir şekilde insan kalacak?

Yeni, canlı çoklu yayın (multi‑cast) yeteneklerimiz sayesinde yeni okuyucular çekecek çok daha geniş bir sesli kitap pazarı hayal ediyoruz. Sonuçta, bu genişlemiş pazar teknoloji ve insanların bir karışımıyla yönlendirilecek. Zaman gösterecek, ancak bu dönüşüm insan ses yeteneği mi yoksa yapay zekâ mı sorusundan çok, yazar/yapımcı kontrolünün iş akışı ve dinleyicilerin sürekli değişen dinleme alışkanlıklarıyla ilgili olacak.

Spoken, sesli kitap üretimini yayıncılık, keşif, akış, topluluk ve gelir modeliyle birleştiriyor. AI nihayetinde hikâye anlatımını, mevcut sesli kitap üretim sürecini sadece daha hızlı ve daha ucuz hâle getirmekten öte nasıl değiştirebilir?

Bir okuyucunun ya da dinleyicinin “hikâyeye dalması” ne anlama geliyor? İşte bu, karakter odaklı kurgu talebinin arttığı ve sesin hikâyeleri tüketmenin hâkim yöntemi haline geldiği bir dönemde izleyicilere sürükleyici bir ses deneyimi sunmakla ilgili. Sonuçta, kısa hikâye, kişisel anı, fanfic ya da epik fantastik olsun, canlı ve doğal bir sunumun hızlı ve düşük maliyetle oluşturulması uzun vadeli derin etkiler yaratacak. Mevcut sesli kitap pazarı kısa vadeli bir fırsat olsa da, kısa biçimli, dikey kısa videolar, seriler, fanfic ve benzeri türevler bunun sonucunda gelişecektir. Ve bunlar geliştiğinde, Spoken Multi‑Cast^TM için kalplerinde olmasını istiyoruz.

Harika röportaj için teşekkür ederiz, daha fazla bilgi edinmek isteyen okuyucular Spoken’ı ziyaret etmelidir.