Tiiviisti

• The Epstein Files ja tekijä Adam Levy ovat tehneet AI-natiivin dokumenttipodcastin Jeffrey Epsteinin kohutapaukseen liittyvästä julkisesta aineistosta. Sarja kokoaa suuren dokumenttimassan kuunneltavaan muotoon.
• The Epstein Files kokeilee uutta mediamuotoa tekoälyvetoisena podcastina. Siinä tekoäly hakee aineistoa, jäsentää sitä, kirjoittaa jaksot ja tuottaa myös puheen.
• Tekoälyääni toimii tuotannon perustana, joka mahdollistaa nopean julkaisun ja neutraalin ilmaisun, kun aineistoa on hyvin paljon.

Mitä kuuluu?

Viime viikolla Ääniäly-uutiskirjeessä käytiin läpi kokouslitterointia, eli kuinka työpäiväsi puhe muuttuu tekoälyn avulla tekstiksi, muistioiksi ja päätöksiksi. Tällä viikolla kuljetaan tavallaan sama matka toiseen suuntaan, mutta kokonaan eri genressä.

Tällä viikolla tutkitaan, kuinka valtava dokumenttimassa muuttuu lähes reaaliajassa kuunneltavaksi podcastiksi? Ja vielä niin, että äänessä ei olekaan ihminen vaan tekoäly.

Tästä aiheesta kirjoitti maanantaina 13.4. LinkedInissä Klaus Hietala, kiitos kiinnostavasta aihenostosta!

Tämän viikon uutiskirjeessä selvitetään:

• mikä on AI-natiivi äänituote
• mikä The Epstein Files oikeastaan on
• miksi juuri tässä tapauksessa tekoälyäänet ovat perusteltuja
• mitä tapaus paljastaa synteettisen äänen ilmaisusta
• miksi tämä ei ole podcastien tulevaisuus, mutta silti uuden mediatyypin alku

Ääniäly-termi tutuksi: AI-natiivi äänituote

Ääniäly-uutiskirje on esitellyt yksittäisiä teknologioita tai käyttötapauksia, kuten puhesynteesiä, äänikloonausta tai tekoälysanelua. Välillä vastaan tulee kuitenkin sellaisia uusia tuotetermejä, joissa yksittäinen teknologia ei enää kerro koko tarinaa.

Tänään puhutaan AI-natiivista äänituotteesta.

Tällä tarkoitetaan tässä uutiskirjeessä äänisisältöä, jossa tekoäly on mukana koko tuotteen rakenteessa. Se voi hakea aineistoa, jäsentää sitä, käsikirjoittaa sisältöä, tuottaa puheen ja julkaista jaksoja tahtiin, johon perinteinen tuotanto ei helposti pysty.

The Epstein Files kuvaa itseään juuri tällaisena “AI-natiivina dokumentaarisena podcastina”.

Mikä on The Epstein Files?

The Epstein Files on podcast, joka analysoi Jeffrey Epstein -tapaukseen liittyvää aineistoa todella laajassa mittakaavassa. Sarjan omassa kuvauksessa puhutaan yli 3 miljoonasta sivusta oikeusasiakirjoja, lentolokeja, FBI-aineistoa, todistajanlausuntoja ja muuta julkista materiaalia. Apple-listauksen mukaan jaksoja on nyt 172.

Tapauksen näkyvyys ei jäänyt vain pienen AI-kuplan sisälle. Fast Company kirjoitti helmikuussa, että sarjalla oli tuolloin jo 97 jaksoa, uusia tuli kaksi päivässä ja latauksia oli kertynyt yli 700 000 muutamassa päivässä.

Maaliskuun lopussa The Timesin The Story nosti sen esimerkiksi siitä, miten tekoälyllä tuotettu podcast voi nousta Apple series charts -listan kärkeen.

Miksi sen tekoälyäänet ovat perusteltuja?

Tapauksen ääniälyvetoisen tuotantoratkaisun ytimessä on yksi hyvin käytännöllinen asia:

julkaisuvolyymi.

Jos tuotteen lupaus on, että läpi käydään miljoonia sivuja dokumentteja, yhdistellään nimiä, päivämääriä, tapahtumia ja julkaistaan uutta kuunneltavaa tahtiin, johon ihmisvetoinen toimitus ei helposti taivu, niin myös äänen on pakko olla skaalautuva osa tuotantoketjua.

Fast Companyn mukaan podcastin tekijä Adam Levy rakensi 48 tunnissa tuotantoputken, joka tuo sisään raakatiedostoja, poimii tekstiä myös kuvista, ristiinviittaa lähteitä ja tuottaa käsikirjoitettuja jaksoja kokonaan synteettisillä tekoälyäänillä.

Tässä mielessä ihmisen juontama podcast olisi myös mahdollinen, mutta siitä tulisi käytännössä eri tuote. Se olisi hitaampi, kalliimpi, harvemmin päivittyvä ja paljon enemmän riippuvainen studiosta, aikatauluista ja editointiresursseista.

Colin & Samir -jakson kuvauksessa Adam Levy sanoitetaan tekijänä, joka teki itse noin 5 prosenttia työstä, samalla kun podcastista tuli heidän mukaansa Britannian ykköspodcast.

Tämä kaikki kuulostaa siltä, että tuotteen logiikka ei edes voisi kestävästi nojata perinteiseen juontovetoiseen tekemiseen. Tekoälyääni tuntuu tässä perustellulta tuotannolliselta ratkaisulta.

Yleisö ei tule paikalle tekoälyäänten takia

Ihmiset eivät todennäköisesti kuuntele The Epstein Filesia siksi, että he olisivat erityisen ihastuneita tekoälyjuontajiin.

He kuuntelevat sitä siksi, että aihe on valtava kohu.

Aineistoa on absurdin paljon itse luettavaksi, ja joku lupaa tehdä siitä nopeasti kulutettavaa.

Sarjan oma kuvaus painottaa “consistent, accessible format” -ajatusta, eli ääni on ennen kaikkea väline tehdä julkinen aineisto yleisölle helpommin saavutettavaksi.

Fast Companyn haastattelussa Levy sanoo lisäksi myös, että ihmiset haluavat hänen mukaansa “no bullshit” -version, jossa tunne ja ylimääräinen kerrostus riisutaan pois.

Tämä tekee äänellisestä ilmaisusta kiinnostavan.

Tässä tuotteessa ”hyvin toimiva ääni” ei ehkä ole kaikkein näyttävin, lämpimin tai persoonallisin. Tässä tuotteessa hyvä ääni on ääni, joka ei hidasta tuotantoa, ei särähdä liikaa korvaan ja jaksaa kantaa suuren määrän tietoa ulos tasaisena virtana.

Toisin sanoen synteettinen ääni näyttää tässä toimivan enemmän pakollisena ratkaisuna kuin varsinaisena vetonaulana.

Missä ääniäly on tässä tuotteessa?

The Epstein Files on helppo nähdä vain yleisenä AI-automaatioesimerkkinä, mutta ääniälyn näkökulmasta tässä erottuu ainakin kolme selkeää kerrosta.

1. Ensimmäinen on tietysti tekoälyllä tuotettu puhe. Sarjan omassa kuvauksessa sanotaan suoraan, että tekoälyllä tuotettu ääni toimittaa löydökset kuunneltavaan muotoon.
2. Toinen on se, että ääni toimii käyttöliittymänä aineistolle. Miljoonien sivujen dokumenttimassa ei ole useimmille ihmisille käytännöllinen formaatti, mutta 15–30 minuutin jakso sen sijaan on. Tässä mielessä ääni tekee datasta löydettävämpää.
3. Kolmas on äänellinen editorial design, eli se, miten synteettinen ääni on valittu palvelemaan juuri tämän tuotteen lupausrakennetta. Kun tavoitteena on nopeus, neutraalius, jatkuva päivittyminen ja vähän “riisuttu” esitystapa, ilmaisun ei ehkä kuulukaan olla liian näyttelijämäistä?

Synteettinen ilmaisu toimii koska se on persoonaton

Moni myyvä ääniälydemo yrittää kuulostaa mahdollisimman inhimilliseltä, lämpimältä ja ekspressiiviseltä. The Epstein Filesin tapauksessa lievä persoonattomuus voi sen sijaan olla osa tuotteen toimivuutta.

Jos sisältö rakentuu kohun, asiakirjojen ja jatkuvien uusien löydösten ympärille, liian vahva juontajapersoona voisi jopa alkaa kilpailla itse aiheen kanssa.

Tällöin neutraali synteettinen ääni voi tuntua kuulijasta hyväksyttävältä kompromissilta, melkein kuin kone lukisi ääneen dokumenttien tiivistelmiä eikä yrittäisi olla niiden yläpuolella.

Mutta Apple-arvioissa tämä jakaa yleisöä.

Osa pitää sarjaa poikkeuksellisen yksityiskohtaisena ja koukuttavana, osa taas valittaa toisteisuutta ja ihmiseditoinnin puutetta. Fast Companyn haastattelussaEmily Bell sanoo ensimmäistä jaksoa kuunneltavaksi mutta myös hyvin selvästi tekoälymäiseksi, ja arvioi kiinnostuksen hiipuvan pidemmässä kuuntelussa.

Myös ääniälyn rajoja koetellaan

Vaikka mittakaava ja nopeus tekevät vaikutuksen, Fast Companyn jutussa Nic Newman muistuttaa, että nopeus ja lähdepohjaisuus eivät yksin korvaa toimituksellista harkintaa, empatiaa ja sitä intiimiyden tunnetta, jota moni nimenomaan audiolta hakee.

Ääni, tekoälyllä tuotettu tai perinteisesti, on aina myös kuulijasuhdetta, rytmiä, luottamusta ja läsnäoloa. Eli tunnetta siitä, että joku ihminen todella jäsentää maailmaa puolestasi.

Joskus synteettinen ääni riittää siihen hyvin. Joskus taas juuri ihmisääni on se, mikä tekee sisällöstä sisällön eikä vain toimitetun datapaketin.

Tekoälyäänen käyttö juontajana on siis aina myös toimituksellinen valinta.