Khi giọng nói biến mất, AI có thể trả lại điều gì?

Một giọng nói có thể được nhận ra trước cả khuôn mặt. Ta lưu và nghe lại một tin nhắn thoại, gọi cho ai đó chỉ để nghe họ nói, hoặc nhận ra một người qua cách họ cười. Vì thế, khi khả năng nói biến mất, điều mất đi không chỉ là phương tiện truyền đạt. Theo Science News trong podcast The Deep End: Talk to Me, AI hiện có thể tái tạo giọng nói, còn một số thiết bị cấy ghép não được mô tả là có thể chuyển suy nghĩ thành lời. Câu hỏi trung tâm vì vậy không chỉ là máy móc nói thay con người ra sao, mà là: giọng nói nào vẫn được xem là “của tôi”? [1]

Câu trả lời chưa nằm ở một thiết bị duy nhất. Nó xuất hiện qua nhiều cách hỗ trợ khác nhau: một giọng tổng hợp bắt chước âm sắc quen thuộc, một hệ thống giúp người dùng phát ra lời từ những gì họ định nói, hoặc một giọng nhân tạo trở thành công cụ biểu đạt mới. Mỗi cách đều khôi phục một phần khả năng kết nối, nhưng cũng làm ranh giới giữa giọng thật, giọng tái tạo và giọng được máy tạo ra trở nên khó nhận biết hơn. [1]

Vì sao giọng nói gắn với bản sắc?

Giọng nói truyền nhiều hơn nội dung của câu. Cao độ, nhịp ngắt, tiếng cười và cách nhấn từ có thể khiến một câu hỏi nghe như lời trấn an, một lời chào nghe như sự thân mật, hoặc một câu đùa trở nên buồn cười. The Deep End mở đầu từ chính năng lực ấy của tiếng nói: nó có thể kết nối, xoa dịu, truyền cảm hứng, làm người khác sợ hãi hoặc khiến họ bật cười. Đây là lý do giọng nói thường được cảm nhận như một phần của con người, chứ không chỉ như âm thanh phát ra từ miệng. [1]

Có thể hình dung bằng một tình huống đời thường: cùng câu “Tôi về rồi”, một người nói nhanh và nhẹ có thể tạo cảm giác yên tâm, còn một người nói chậm, khàn hoặc ngập ngừng lại gợi ra tâm trạng khác. Đây là ví dụ minh họa, không phải kết quả đo lường. Điều quan trọng là giọng nói mang theo dấu hiệu của quan hệ và cảm xúc; khi dấu hiệu đó biến mất, người nghe có thể vẫn hiểu câu chữ nhưng khó nhận được toàn bộ sắc thái quen thuộc.

AI tái tạo giọng nói làm được gì?

AI có thể tạo ra một giọng tổng hợp dựa trên những đặc điểm khiến giọng của một người dễ nhận ra. Trong câu chuyện được Science News giới thiệu, Jules Rodriguez mô tả cảm giác khi lần đầu nghe giọng đã được nhân bản bằng AI như thể mình “xuất hiện trở lại”. Ý nghĩa của việc này không chỉ nằm ở độ giống âm thanh. Một giọng quen có thể giúp người nói tiếp tục biểu diễn, trò chuyện và duy trì cách hiện diện riêng trong những hoàn cảnh mà giọng tự nhiên không còn hoạt động như trước. [1]

Tuy nhiên, giọng được tái tạo không tự động mang theo toàn bộ con người đã tạo ra nó. Nó có thể gần với âm sắc cũ nhưng vẫn cần một người điều khiển nội dung, nhịp điệu và mục đích nói. Vì vậy, nên xem AI như một lớp trung gian biểu đạt: máy cung cấp âm thanh, còn ý định và cảm xúc vẫn cần đến từ người sử dụng. Nếu một hệ thống tự phát ra câu chữ không do người đó lựa chọn, câu hỏi về quyền kiểm soát sẽ lập tức xuất hiện. [1]

Thiết bị cấy ghép não khác giọng nhân tạo thế nào?

Giọng nhân tạo bắt đầu từ dữ liệu âm thanh hoặc mẫu giọng, còn thiết bị cấy ghép não được podcast mô tả theo hướng khác: nó có thể lấy những từ một người đang nghĩ đến và chuyển chúng thành lời nói. Casey Harrell là một trong những người được giới thiệu với khả năng này. Điều đáng chú ý ở đây là điểm xuất phát của giao tiếp không phải chuyển động miệng hay âm thanh còn sót lại, mà là ý định muốn nói. [1]

Cách diễn đạt “đọc ý nghĩ” dễ khiến người ta tưởng hệ thống biết mọi suy nghĩ trong đầu. Nội dung được kể chỉ nói đến khả năng kéo từ ngữ từ suy nghĩ để hỗ trợ lời nói, không phải hiểu toàn bộ đời sống tinh thần. Có thể hình dung nó như một cây cầu hẹp giữa ý định giao tiếp và âm thanh phát ra: cây cầu ấy hữu ích khi người dùng muốn nói, nhưng không nên được hiểu là quyền truy cập không giới hạn vào tâm trí. [1]

Điều gì được khôi phục ngoài câu chữ?

Khi nói về việc mất giọng, điều người ta muốn lấy lại thường là những khoảnh khắc rất cụ thể: gọi người thân, nói một câu yêu thương, cười cùng người khác hoặc bật lên tiếng kêu khi cần giải tỏa. Casey Harrell nhấn mạnh những khả năng đời thường như hét lên, nói lời âu yếm với bạn đời và trở lại với các khoảnh khắc vốn tạo nên cuộc sống. Những ví dụ đó cho thấy giao tiếp không chỉ phục vụ thông tin; nó còn duy trì sự gần gũi và quyền tham dự vào sinh hoạt chung. [1]

Một hệ thống chỉ phát đúng từ nhưng không cho người dùng lựa chọn cách thể hiện có thể khôi phục chức năng mà chưa khôi phục cảm giác làm chủ. Ngược lại, một giọng tổng hợp không hoàn toàn giống giọng cũ vẫn có thể có ý nghĩa nếu nó giúp người dùng tự quyết định mình muốn nói gì và nói với ai. Đây là suy luận từ những trường hợp được kể, không phải tiêu chí kỹ thuật đã được chứng minh cho mọi thiết bị. [1]

Khi giọng nói có thể bị thay thế

AI đặt ra một nghịch lý: càng tái tạo giọng giống một người, công nghệ càng có vẻ trả lại bản sắc cho họ; nhưng cũng càng khó phân biệt đâu là lời họ chủ động nói, đâu là âm thanh do hệ thống tạo ra. Podcast còn nhắc đến những người biểu diễn bằng giọng tổng hợp, trong đó có Patrick, một nhạc sĩ hát bằng giọng nhân tạo. Trường hợp ấy mở rộng câu chuyện từ phục hồi khả năng giao tiếp sang việc dùng giọng máy như một hình thức sáng tạo. [1]

Vì vậy, câu hỏi quan trọng không phải chỉ là “giọng này có giống thật không?”. Cần hỏi thêm ai kiểm soát nó, câu nói có phản ánh ý định của người mang giọng hay không, và người nghe có biết đó là âm thanh tổng hợp hay không. Những câu hỏi này không phủ nhận giá trị của công nghệ. Chúng giúp phân biệt hai việc dễ bị trộn lẫn: trao cho một người phương tiện để lên tiếng, và để một hệ thống lên tiếng thay họ. [1]

Một cách nhìn khác về tiếng nói

Các câu chuyện trong The Deep End cho thấy giọng nói có thể được xem như một phần của ký ức quan hệ. Ta không chỉ nghe nội dung; ta nhận ra một người qua nhịp điệu, âm sắc và cảm giác đi kèm. Khi AI nhân bản giọng hoặc thiết bị cấy ghép biến suy nghĩ thành lời, công nghệ đang cố khôi phục chiếc cầu nối ấy bằng những vật liệu khác nhau. [1]

Nhưng chiếc cầu không nằm hoàn toàn trong âm thanh. Nó còn nằm ở quyền lựa chọn, cảm xúc và mối quan hệ giữa người nói với người nghe. Một giọng máy có thể không phải bản sao hoàn hảo của giọng cũ, song vẫn trở thành tiếng nói có ý nghĩa nếu nó giúp một người tiếp tục hiện diện theo cách của mình. Nhìn như vậy, công nghệ không trả lời dứt khoát giọng nói là gì; nó khiến ta nhận ra bản sắc được tạo nên cả bởi âm thanh lẫn quyền được cất lời. [1]