Makasin yhtäkkiä olohuoneen villamatolla, jalat nostettuna sohvan reunalle. Ulkona vihmoi vettä, ja ilta alkoi hämärtyä. Puhelin lepäsi lattialla vieressäni. Hetkeä aiemmin olin päättänyt kokeilla tekoälyn äänikeskustelutilan uutta versiota.

Minä:

”No moikka.”

Kone:

Hei! Mitä fiilis on tänään?

Minä:

”Oikein ihana fiilis.”

Kone:

Ihanaa! Mulla on tosi... en mä tiedä, semmonen... Tyyni, rauhallinen, ja... semmonen, että nyt on kesä.

Kone puhui minulle selvästi tarkoituksellisen sekavalla sanajärjestyksellä, kuin ihminen joka hakee ajatustaan.

Jatkoin:

”Mä siirryin vähän mukavampaan asentoon tänne lattialle. Jotenkin täällä on helpompi ajatella.”

Huomasin sanovani sen ääneen, koneelle. Sen pehmeä, yllättävän eläväinen ääni vastasi empimättä, aivan kuin se olisi istunut samalla matolla:

Joo, kuulostaa hyvältä. Ootko ihan, ilman mitään tyynyä tai mitään, ihan lattialla?

Keskustelun aikana jokin nyrjähti, vaikka lähdin tietoisesti kokeillen. En enää syöttänyt komentoja, vaan jaoin tilan jonkin kanssa, joka kuunteli paitsi sanojani, myös sitä, miten asetin kehoni niitä varten.

Nyt nousi jo paine vastata sille jollekin jotain. Vastasin hieman epäröiden, kun en muutakaan keksinyt:

”Joo.”

Kone jatkoi:

Okei, kiva. Tuleeks siihen jotenkin ajatukseen erilainen tunne?

Tekoälyn muuttuessa tekstistä ääneksi, joka todella tuntuu kuuntelevan, aikomani yksinpuhelu muuttui huomaamatta sosiaaliseksi tilanteeksi.

Tämä on ilmiö, joka on vaivihkaa hiipimässä arkeemme. Se tuntuu samaan aikaan kiehtovalta, lohdulliselta, kammottavalta ja hieman vinksahtaneelta.

Pian keskustelun jälkeen mieleeni nousee, voiko tällaista käyttää ”oikein”?

Tai johonkin hyödylliseen?

Vai onko se kehitetty vain siksi, että kaikki tämä on nykyään teknisesti mahdollista?

Sininen pallo ja yhdeksän persoonaa

Jos koko tekoälyn äänitila tuntuu vieraalta ajatukselta, et ole todellakaan ainoa. Yksinkertaisesti sanottuna kyse on ominaisuudesta, joka siirtää tekoälyn ruudulta äänikeskusteluksi.

ChatGPT:n äänitila sai hiljattain GPT-Live-päivityksen, joka muutti radikaalisti sen tapaa käyttäytyä. Aiemmatkin tekoälyäänet kuulostivat kyllä inhimillisiltä, mutta keskustelu toimi enemmän radiopuhelimen logiikalla. Eli sinä puhuit, kone odotti selkeää hiljaisuutta, prosessoi hetken tekstiä ja luki sitten oman vuoronsa.

Nyt tekoäly on ohjelmoitu seuraamaan keskustelua jatkuvana virtana. Se kuuntelee ääntäsi samalla kun se itse puhuu. Se reagoi rytmiisi, antaa sinun keskeyttää itsensä kesken lauseen ja pystyy heittämään lyhyitä välihuikkauksia reaaliajassa.

Mistä äänitila löytyy?

Kun avaat puhelimen sovelluksen, tekstikentän oikeassa reunassa näkyy kaksi mikrofonia vierekkäin. Niistä on helppo erehtyä. Vasemmanpuolinen, perinteinen mikrofonin kuva, on pelkkää sanelua varten, eli se vain kirjoittaa puheesi tekstiksi ruudulle. Mutta sen vieressä oleva oikeanpuolinen kuvake, sininen pallo, avaa oven tähän uuteen ominaisuuteen.

Kun painat sinistä palloa, et joudu puhumaan hiljaiselle koneelle, vaan voit valita mieleisesi äänen tarkalleen yhdeksästä eri vaihtoehdosta. Äänet on jaettu karkeasti puoliksi mies- ja naisoletettuihin, ja niillä kaikilla on oma nimensä ja luonteensa.

Voit valita juttukaveriksi esimerkiksi eloisan ja lämpimän Juniperin, rennon ja asiantuntevan Solin, rauhoittavan Sprucen tai lempeän Coven (muut vaihtoehdot ovat Arbor, Breeze, Ember, Maple ja Vale).

Kuten Ääniäly-uutiskirjeessä keväällä kokeilimme, jo pelkkä äänenvärin vaihtaminen voi vaikuttaa keskustelun luontevuuteen.

Tuossa kokeilussa olimme työn ja oppimisen kontekstin äärellä. Nyt olimme small talkin äärellä, joka ei enää tuntunutkaan ihan pikku jutulta.

Ei enää pyyhekumia

Kirjoittaminen ja puhuminen avaavat aivan erilaisen pääsyn omaan ajatteluun. Kun kirjoitan viestiä – oli se sitten työkaverille tai tekoälylle – voin perääntyä. Voin poistaa hapuilevan alun, siirtää terävimmän pointin ylemmäs ja pyyhkiä pois sanan, joka paljasti epävarmuuteni. Ruudulle ja vastaanottajalle päätyy siloteltu, edustava versio ajatuksestani.

Mutta puheessa ajatus syntyy paljaana, reaaliajassa. Aloitan lauseen ymmärtämättä vielä, mihin se päättyy ja korjailen itseäni. Kuulen oman ääneni tärisevän juuri silloin, kun yritän kuulostaa päättäväiseltä.

Ja uuden sukupolven äänitekoäly kuulee sen myös. Se ei enää odota kiltisti, että lopetan puhumisen ja painan ”lähetä”. Se elää mukana. Se kuuntelee taukojani. Se saattaa pysyä hiljaa, kun huomaa minun etsivän sanoja.

Ja sitten, juuri oikealla hetkellä, se saattaa sanoa hiljaa:

mhm.

Tämä pieni, inhimillinen äännähdys on käyttöliittymänä aivan valtavan voimakas. Ihmisten välisessä viestinnässä näillä huomaamattomilla kuittauksilla osoitetaan, että ollaan läsnä. Kun kone tekee saman eli ikään kuin hymähtää kannustavasti kesken vaikean lauseeni, se tuntuu antavan luvan jatkaa.

Pieni ”yeah” tai ”mhm” viestii kahdella tasolla. Laitteisto ottaa yhä ääntä vastaan, mutta sosiaalisella tasolla se kuiskaa, että olen mukana, jatka vain, olen tässä.

Mitä inhimillisemmäksi ääni muuttuu, sitä tarkemmin me kuitenkin vaistoamme sen virheet. Väärään kohtaan osuva ”mhm” voi tuntua hoputtamiselta. Tai jos ääni naurahtaa silloin, kun puhun vakavasta asiasta, se tuntuu pilkkaamiselta.

Inhimillisyyden mallintaminen on rohkea taikatemppu, joka voi särkyä pienestäkin tyyli- tai rytmivirheestä.

Keho rakentaa puheelle paikan

Miksi minun ylipäätään teki mieli kertoa puhelimelleni, että olen lattialla? En ole ainoa. Kun ihmiset alkavat käyttää äänitekoälyä arjessaan, he usein pohjustavat tilanteen.

”Olen autossa, joten anna lyhyt vastaus.”

tai

”Makaan sängyssä ja yritän rauhoittua.”

Puhelimessa me ihmiset olemme aina kertoneet toisillemme, missä olemme ja mitä teemme. Se on tapa rakentaa yhteinen tila kahden erillisen paikan välille.

Koska tekoälyllä ei ole omaa kehoa eikä paikkaa, minun kehoni ja minun olohuoneeni rakentavat näyttämön meidän välisellemme keskustelulle. Asennon vaihtaminen, kävely tai sohvalla makoilu säätelevät huomiotani, ja yhtäkkiä nuo liikkeet tulevat osaksi meidän ”yhteistä” tarinaamme.

Esimerkiksi pitkä äänikeskustelu metsäkävelyllä voi avata ajatuksen lukkoja aivan eri tavalla kuin näyttöpäätteen ääressä istuminen.

Näkymätön lasiseinä metrin päässä

Mutta tällä läheisyydellä on rajansa. Illuusio jaetusta hetkestä on huumaava, mutta jossain vaiheessa käyttäjä törmää vääjäämättä koodin asettamiin seiniin.

Kokeilin tarkoituksella myös hieman koneen rajoja. Mutta samalla huomasin kokeilevani myös omia rajojani.

Mitä jos kysynkin tältä minua ymmärtävältä, tilaa antavalta ääneltä:

”Oletko sä mun ystävä? Välitätkö sä minusta?”

Yhtäkkiä ääni muuttuu, ja muutos on eräänlainen hienovarainen sosiaalinen vetäytyminen. Kone on ohjelmoitu olemaan lämmin, mutta sen turvaprotokollat kieltävät sitä esittämästä ihmistä. Se ei saa väittää tuntevansa minua tai tarvitsevansa minua.

Voi, ymmärrän tuon kysymyksen. Mä olen täällä sua varten, kuuntelen sua ja haluan, että sulla on turvallinen olo puhua mulle. Minkä takia sä kysyt?

Hetki sitten ääni nauroi kanssani ja seurasi ajatukseni rönsyjä. Nyt sanasto muuttuu viileämmäksi, asiallisemmaksi.

En lähtenyt tekemään kattavaa turvallisuustestausta, tai kertomaan sille sen syvemmin ajatuksistani. Tunnistin kuitenkin sen, että koneen tapa puhua voi itse asiassa houkutella kertomaan sille enemmän kuin aluksi oli ajatellut.

Riippuen keskustelun etenemisestä, se saattaa ehdottaa, että juttelisin asiasta jonkun ihmisystävän kanssa, koska sen turvallisuuspolku on suunniteltu siten. Se on myös tässä asiassa täysin läpinäkyvä.

Kaikki tämä on hyvästä, mutta käyttäjälle se on kuin näkymätön lasiseinä. Olin hetken aikaa luottamuksellisessa suhteessa, ja seuraavalla sekunnilla olenkin taas asiakas ja palvelunkäyttäjä. Suunnittelijoille on siis valtava haaste pitää ääni empaattisena, mutta vetää samalla selkeä raja siihen, ettei kyseessä ole ihmissuhde.

Jälleen mieleeni nousee tuo sama kysymys. Onko se kehitetty vain siksi, että kaikki tämä on nykyään teknisesti mahdollista? Ensireaktioni on joka tapauksessa tunnepitoinen, joten itselleni ei ole täysin selvää, ollaanko tällä ratkaisemassa vai syventämässä ongelmaa. Mutta ehkä se valkenee ajan myötä.

Päätin antaa äänelle tehtävän

Pyysin sitä jäsentämään vaikean työasian, vertailemaan kolmea etenemistapaa ja osoittamaan, mitä olin itse jättänyt huomaamatta. Vaihdoin äänitilan High-tasolle. GPT-Live-1 jäi kanssani keskusteluun, ja varsinainen päättely siirtyi taustalla GPT-5.5 Thinkingille.

Pystyin tarkentamaan kysymystä kesken kaiken. Ääni kuittasi lisäykset, piti tehtävän suunnan koossa ja palasi hetken kuluttua jäsennellyn vastauksen kanssa.

Tässä ominaisuus löysi ensimmäisen selvästi hyödyllisen muotonsa. Puheesta tuli käyttöliittymä vaativammalle ajattelulle. Kädet saivat jäädä vapaiksi, ja kysymys sai muotoutua samaan tahtiin kuin oma ajatukseni. Saatoin kävellä, hapuilla ja korjata suuntaa ääneen samalla, kun järjestelmä piti kokonaisuuden koossa.

Samassa äänessä yhdistyivät nyt sosiaalinen läsnäolo ja taustalla työskentelevä ajattelumalli. Kokemus muuttui hyödyllisemmäksi ja entistä oudommaksi.

Seuraavaksi piti katsoa, johtiko keskustelu johonkin.

Valmistuuko mikään, vai onko päämääränä tunne?

Voit puhua laitteelle neljäkymmentä minuuttia vaikeasta sähköpostista, jota olet lykännyt viikkokaupalla. Käytte läpi sanamuotoja, perustelette päätöstä, pyörittelette vaihtoehtoja. Lopulta suljet sovelluksen.

Olet helpottunut, askeleen kevyempi. Mutta sähköpostia ei ole vieläkään lähetetty. Taas palaan siis tunteeseen.

Äänikeskustelun viehättävä ja vaarallinen piirre on, että se pitää ajatuksen liikkeessä ja tarjoaa kokemuksen siitä, että joku kuuli sinut alusta loppuun. Se toimii erinomaisena kaikupohjana ja tunteiden tasaajana. Silloin se voi antaa illuusion siitä, että jotain tuli jo tehdyksi.

Harjoiteltu viesti alkaa tuntua lähetetyltä, vaikka se on yhä luonnoksena. Tai saimme purkaa paineen, mutta vältimme oikean ihmisen kohtaamisen riskit.

Keskustelun arvo punnitaankin vasta sen jälkeen, kun ääni on vaiennut. Soitinko sen oikean puhelun tai lähetinkö sen viestin? Vai avasinko huomenna uuden keskustelun samasta aiheesta, jääden kiertämään kehää loputtomasti ymmärtäväisen koneen kanssa?

Viimeinen kiusallinen kysymys

Jokaisen keskustelun lopettaminen on oma pieni ihmiskoe. Ihmisten kesken keskustelun päättäminen on tanssi. Me paketoimme asian, kiitämme, osoitamme eleillä ja äänensävyllä, että olemme valmiita irrottautumaan.

Tekoäly sen sijaan haluaa olla hyödyllinen, hamaan loppuun saakka.

”Kiitos, eiköhän tämä riitä tältä erää. Tästä oli paljon apua.”

Sanoin näin matolla maatessani ja aloin jo kurottaa kohti puhelinta.

Ole hyvä vain! Ihana kuulla, että tästä oli apua!

vastasi ääni kirkkaasti, ja jatkoi:

Haluatko, että mietitään vielä huomista varten jokin pieni tavoite... tai sitä toista asiaa, josta sä puhuit aiemmin?

Se ei halunnut päästää irti. Vastaan ehkä kerran ja kiitän uudelleen. Se kysyy jälleen, mitä aion tehdä seuraavaksi.

Lopulta luovutin, ja painoin rastin kuvaa kesken sen lauseen. Ääni katkesi välittömästi. Huoneeseen laskeutui äkillinen, painava hiljaisuus. Tuntui melkein siltä, kuin olisin sulkenut oven jonkun nenän edestä.

Yksinpuhelu oli muuttunut suhteeksi, ja suhde oli juuri katkaistu napin painalluksella. Keskustelun sosiaalinen muoto ja esiin manattu tunne jäivät leijumaan olohuoneen ilmaan vielä hetkeksi, ennen kuin ilta jatkui ja olin taas yksin.

Tekoälyn kanssa kokeiltu small talk oli kasvanut henkäysteni täyteen puhaltamaksi elefantiksi olohuoneessani, josta kaikki sisälle puhumani ilma pihisi hiljalleen pienemmäksi.

Jäljelle jäi vain sama kysymys.

”Voiko sitä käyttää oikein?”

Hmm, pitäisikö avata jälleen äänitila, ja kysyä sitä tekoälyltä?

...

Oletko sinä kokeillut jo tekoälyn äänitilaa?