Una IA que permite a cualquiera, y en cuestión de segundos, clonar la voz de cualquier otra persona (o, por supuesto, de uno mismo) está empezando a arrasar en Internet. El polémico pero popular foro 4chan, sin ir más lejos, viene siendo inundado con deepfakes de audio de celebridades como Emma Watson o Joe Rogan llenos de comentarios violentos o pornográficos.

Y todo desde que, hace ahora un año, se abriera públicamente el acceso a la plataforma ElevenLabs, quizá una de las muestras más significativas de cuánto han avanzado las tecnologías basadas en IA dedicadas a la clonación y síntesis de audio.

Al margen del innegable realismo de su síntesis de voz (a años luz de voces enlatadas como Loquendo, tan popular hace años), la propia compañía presumía de que los clips de audio que genera requieren de poca o ninguna edición, lo que incentiva su uso en tareas como el doblaje o la producción de audiolibros:

AI narrates The Great Gatsby.

Listen to a fragment from the classic by F. Scott Fitzgerald. Narrated by a fully AI-generated voice. No corrections were made. pic.twitter.com/vQdorBjQK6

— ElevenLabs (@ElevenLabs) January 29, 2023

En Xataka

No te creas nada de lo que oigas, llegan los "deep fakes" de audio

Que alguien ponga orden aquí

Por supuesto, también ha ayudado a popularizar esta plataforma el hecho de que no presente ninguna de las salvaguardas que acostumbramos a encontrar en los servicios de generación de imágenes para evitar crear ciertos tipos de contenidos 'delicados' y/o basados en personas reales.

En un hilo publicado poco después en Twitter, ElevenLabs reconoció que parte de sus usuarios estaban abusando de su aplicación: "[observamos] un número creciente de casos de uso indebido de clonación de voz", y advirtió de que son capaces de "rastrear cualquier audio generado hasta el usuario".

Crazy weekend - thank you to everyone for trying out our Beta platform. While we see our tech being overwhelmingly applied to positive use, we also see an increasing number of voice cloning misuse cases. We want to reach out to Twitter community for thoughts and feedback!

— ElevenLabs (@ElevenLabs) January 30, 2023

Igualmente, se puso sobre la mesa la posibilidad de implementar protecciones como la verificación de la identidad de los usuarios o la aprobación manual de cada solicitud de clonación de voz. Sin embargo, su uso sigue siendo ilimitado por ahora.

Lo hemos probado

Cuando nos registramos en la plataforma, se nos concede acceso a una serie de herramientas. En primer lugar, encontraremos el sencillo sintetizador de voz que nos permite convertir textos en archivos de sonido usando, en principio, voces predefinidas en inglés estadounidense.

Sin embargo, si hacemos uso de la función de 'Voice Cloning', podremos subir a la plataforma un audio con una grabación de voz ("debe durar más de 1 minuto y no contener ruido de fondo", aclara la web), que nos permitirá crear una voz personalizada desde la que podremos volver al sintetizador y crear un audio basado en nuestra voz... o en la de cualquiera.

Paso 1 de la clonación de voz

Paso 2

Eso sí: el servicio está, por ahora, optimizado para el acento inglés estadounidense; de modo que es posible que, al generar el audio, no te termines de reconocer en el archivo resultante.

Los clásicos nunca mueren. Aunque suena horrible en estadounidense, dejadme que os lo diga.

Ese ha sido nuestro caso, tras generar una voz personalizada basada en la de un servidor: la lectura del Quijote en perfecto acento de Kansas (estado arriba, estado abajo) no ha terminado de sonarme 'muy yo', pero los usuarios estadounidenses aseguran no sufrir este problema.

La cuenta gratuita sólo permite crear hasta cinco voces personalizadas y sintetizar a audio 10.000 caracteres de texto al mes, además, los audios resultantes quedan sujetos a una licencia no comercial. Existen, a partir de ahí, varias opciones de pago, siendo la más barata de 22 dólares mensuales.

Imagen | Basada en original de Jason Rosewell en Unsplash

En Genbeta | Cómo crear imágenes y pósters con un estilo a lo Disney Pixar

¿Alguna vez te has fijado que en los diccionarios bilingües en ocasiones aparece, antes de las posibles traducciones de un término, un texto entre corchetes algo incomprensible? Algo así: [jeləʊ pɪd͡ʒən].

Bien, pues eso es un ejemplo del Alfabeto Fonético Internacional o notación fonética IPA, y permite indicar no cómo se escribe una palabra, sino cómo se pronuncia. Tiene tantos símbolos como sonidos somos teóricamente capaces de pronunciar los humanos, lo que permite expresar con ellos palabras en todos los idiomas de la Tierra.

Desde Genbeta hemos elaborado una recopilación de herramientas web relacionadas con este alfabeto fonético, por si algún día te pudieran resultar útiles.

¿Cómo saber a qué sonido corresponde cada carácter del alfabeto fonético?

En IPA i-charts, encontraremos una completa recopilación de tablas que clasifican todos los símbolos del alfabeto fonético IPA. Una tabla para las consonantes pulmónicas, otro para las consonantes no pulmónicas, otro para las vocales... y también diacríticos, suprasegmentales y otros símbolos auxiliares.

Aunque lo más interesante es, que cada vez que hagamos clic en uno de los símbolos de las tablas, se abrirá una ventana superpuesta que nos mostrará el nombre oficiales de éste, su clasificación IPA y Unicode y -lo más importante- cuatro fragmentos de audio de cuatro hablantes distintos con ejemplos de su pronunciación.

Una versión algo más sencilla la encontraremos en Ipachart.com: en esta web encontraremos las mismas tablas de símbolos que en la anterior, pero al hacer clic en ellos se reproducirá directamente un único fragmento de audio de ejemplo.

¿Cómo transcribir de un idioma real al alfabeto fonético?

Cuando lo que queremos es poder expresar con caracteres IPA una serie de palabras de un idioma (para poder saber cómo se pronuncian estas), necesitamos una herramienta capaz de transcribir al alfabeto fonético.

Text2Phoneme

Si el texto en cuestión se encuentra en inglés, podemos recurrir a Text2Phonetics, aunque con Automatic Phonemic Transcriber ampliaremos la lista de idiomas soportados también a alemán y danés.

Pero si lo que quieres es usarlo sobre una frase en español, debes visitar el Transcriptor fonético del español desarrollado por Xavier López (el código es open source).

Teclado TypeIt

Por último, si no necesitamos ninguna herramienta que realice la transcripción en sí porque nosotros somos expertos en la notación fonética IPA, pero nuestro problema es que necesitamos un teclado que incluya todos los caracteres de su alfabeto, en TypeIt encontrarás justo lo que estás buscando.

¿Cómo sintetizar el audio de una notación fonética?

Pero, ¿y si la información de la que disponemos es precisamente de la notación fonética, y lo que queremos es una herramienta capaz de sintetizar el audio para poder oír el texto pronunciado?

Phoneme Synthesis

Bien, en ese caso tan sólo deberemos copiar y pegar los caracteres del alfabeto fonético en Phoneme Synthesis y hacer clic en el botón de 'pronounce' (pronunciar). A continuación, podremos usar el resto de botones de la web para descargar el archivo de audio generado, o bien generar una URL personalizada para que otros puedan escuchar el mismo fragmento que tú.

IPA Reader

Otra alternativa para esta misma función será IPA Reader, que nos permitirá elegir qué voces (tanto femeninas como masculinas, nativas de múltiples idiomas) leerán nuestro texto en notación fonética.

ToPhonetics.com

Una herramienta específica para el idioma inglés, que también incluye la función de transcripción a partir del alfabeto latino, es toPhonetics.

Tras la Nochevieja de 2016, la Universidad del País Vasco puso a disposición de los usuarios una aplicación online que permitía poner la voz del presidente autonómico Iñigo Urkullu a cualquier texto que éstos escribiesen. La aplicación duró tan sólo un par de días online (durante los cuales causó sensación en las redes sociales) antes de que el gobierno vasco diera orden de cerrarla.

Pero aquél no fue ningún ejercicio de frivolidad por parte de la institución académica: su objetivo era promocionar la tecnología desarrollada por Aholab, el Laboratorio de Procesamiento de Señales de la UPV, para ayudar a los pacientes con discapacidades de expresión oral a comunicarse.

¿Qué mejor regalo navideño que devolver su voz a quienes la han perdido?

Sin embargo, ahora Aholab ha lanzado una nueva plataforma e invita a los internautas a usarla. El objetivo, esta vez, no es generar audios graciosos sino pedirnos una donación: la de nuestra voz.

En Xataka

Soy periodista, tengo ELA y no puedo mover nada de mi cuerpo salvo los ojos... así que escribo artículos con mis pupilas

La campaña 'Dona tu Voz' nos anima a pensar en estas fechas en los pacientes de ELA (Esclerosis Lateral Amiotrófica), una enfermedad que -a causa de la progresiva parálisis que la caracteriza- les va arrebatando lentamente la capacidad de hablar y les condena a comunicarse a través de un sintetizador de texto-audio.

Pero ese sintetizador habla con la voz impersonal de un robot (¿recuerdas el caso de Stephen Hawking?), lo que repercute negativamente a nivel psicológico sobre los pacientes y sus familias. El objetivo de Aholab es que, en caso de diagnóstico temprano, los enfermos puedan llevar a cabo una 'copia de seguridad' de su voz antes de empezar a perderla.

Pero, ¿qué ocurre con aquellos cuya enfermedad está más avanzada? Ahí es donde entra nuestra donación: podemos ceder nuestra voz a quiénes la han perdido. Sólo tenemos que registrarnos en la plataforma AhoMyTTS (proceso que podemos completar en 1 min.) y acceder a grabar 100 frases de lo más variado haciendo uso de un micrófono más o menos decente (este paso puede llevarnos unos 30 mins.).

La web del Aholab nos muestra cómo funciona su tecnología permitiéndonos sintetizar frases a partir de 15 voces de ejemplo.

Esas grabaciones se usarán posteriormente para que la tecnología de Aholab extraiga los distintos fonemas y sea capaz de generar un sintetizador de voz dotado con el timbre de la nuestra. El resultado (un deepfake de audio basado en el uso de redes neuronales profundas) sigue sin ser del todo natural, pero sí es claramente humano.

Álvaro Medina, periodista que ha donado su voz para que su propio padre (él mismo uno de los 4.000 enfermos de ELA que hay hoy en día en España) pueda usarla como comunicarse, ha viralizado esta iniciativa a través de Twitter:

¡Muchas gracias por la difusión, @alvaro_medinas! Y muchas gracias también a toda la gente que está entrando hoy para donar su voz. Habéis conseguido superar todas nuestras expectativas.

— Aholab Taldea (@aholab) December 24, 2019

Si te gusta la música y alguna vez has querido aprender sobre sintetizadores, en esta web te ofrecen una forma bastante interesante de hacerlo. Learning Synths es una página interactiva que te ofrece un sintetizador directamente en una pestaña de tu navegador web.

Ese sintetizador es poderoso pero fácil de aprender a usar, es gratuito, suena bastante genial, funciona perfectamente tanto desde el navegador de escritorio como desde el móvil, y viene con lecciones incluidas.

Comienza por lo básico, no importa si nunca antes has usado un sintetizador

Las lecciones en este sitio comienzan por lo más básico, es decir, desde el concepto de lo qué es un sintetizador, a cómo funcionan, y los controles que puedes usar para cambiar cómo suenan. Algunos controles cambian solo un aspecto del sonido, otros, cambian varios aspectos al mismo tiempo.

En Genbeta

Con esta app gratuita puedes añadir rápidamente toda la discografía de un artista a una playlist de Spotify

Todo eso lo vas a experimentar en tiempo real a través de múltiples "cajas" que aparecen en la página y que ejemplifican cómo el movimiento que haces modifica los sonidos.

Lo ideal es que uses un par de auriculares para disfrutar de la mejor calidad de sonido posible. En el transcurso de las lecciones aprenderás a usar los controles del sintetizador para diseñar tus propios sonidos.

Este sitio es verdaderamente genial, la sensibilidad de los controles en cada ejemplo es excelente, y lo que experimentas se explica de forma clara y sencilla. Ahora, debes tener en cuenta que las lecciones están solo en inglés, aunque bien podrías usar una extensión para traducir el contenido de forma instantánea si necesita ayuda para entender las instrucciones.

Mientras más avanzas más complejas se hacen las lecciones, hasta llegar a utilizar instrumentos virtuales potentes y avanzados para el diseño de sonido que puedes aprovechar para experimentar o jugar.

Para aquellos usuarios que deseen consultar la Wikipedia, pero tienen algunos problemas visuales, ahora podrán echar mano de Pediaphon, un servicio que opera desde la Universidad de Hagen, Alemania. Lo único que hace Pediaphon es la búsqueda del artículo dentro de la Wikipedia usando los términos indicados por el usuario, para que posteriormente este artículo sea convertido en un archivo sonoro en formato mp3, permitiendo al usuario su escucha online o su descarga, así como su suscripción desde iTunes.

Está disponible en una serie de idiomas, aunque de momento no lo tenemos en español, con lo que toca esperar. Además, como nota negativa, tenemos la calidad de la locución, con una sintetización de la voz de bastante peor calidad que la que nos pueden ofrecer desde sitios como LoQuendo, VozMe o SpokenText.

Menos da una piedra, y por lo menos es un recurso a tener en cuenta, que además hace poco estrenó su soporte al francés, con lo que evidentemente, realizará las consultas de artículos en la Wikipedia francesa.

Vía | Download Squad Enlace | Pediaphon