آینده دوبله با هوش مصنوعی: از نابودی هنر دوبله تا دوبله دقیق و علمی به صورتی که هرگز ندیده بودیم!
به گزارش مجله لیست پیوند، صنعت دوبله در آستانه یک تحول بنیادین واقع شده است؛ جایی که هوش مصنوعی (Artificial Intelligence) نه تنها به عنوان یک ابزار کمکی، بلکه به عنوان یک خالق نو وارد میدان خواهد شد. آینده دوبله در عصر هوش مصنوعی نویدبخش جهانی است که در آن مرزهای زبانی از میان می روند و ما می توانیم ستارگان هالیوود را با تن صدای اصلی خودشان اما به زبان فارسی بشنویم. این فناوری که از شبیه سازی ساده صدا شروع شده، اکنون به سمت درک ظرافت های هنری و هماهنگی کامل بصری حرکت می نماید.
در این مقاله به آنالیز گام های تکاملی این پدیده، از تقلید صدا تا تغییر حرکات لب، و تضاد آن با هنر بی بدیل دوبلورهای کلاسیک می پردازیم تا درک کنیم آیا ماشین می تواند جایگزین روح هنری انسان گردد یا خیر.
01
فاز نخست؛ فراوری تن صدای پایه و دوبله ماشینی
در اولین مرحله از تکامل، هوش مصنوعی بر روی فراوری تن های صدای انسانی (Human-like Tones) تمرکز نموده است. در این فاز، سیستم ها قادرند متون ترجمه شده را با صدایی که شباهت زیادی به انسان دارد اما هنوز فاقد احساسات عمیق است، قرائت نمایند. این نوع دوبله که هم اکنون در بعضی پلتفرم های آموزشی دیده می گردد، بیشتر کاربرد تجاری و اطلاع رسانی دارد.
02
فاز دوم؛ جادوی شبیه سازی صدای بازیگر اصلی
در این مرحله، تکنولوژی شبیه سازی صدا (Voice Cloning) وارد عمل می گردد. هوش مصنوعی با تحلیل ساعت ها صدای یک هنرپیشه خاص، می تواند امضای صوتی او را استخراج کند. تصور کنید سریالی از نتفلیکس (Netflix) را دیدن می کنید که در آن تام هنکس (Tom Hanks) با همان خش و طنین صدای همیشگی اش، اما به زبان فارسی سخن می گوید. این فاز باعث می گردد تجربه دیدن بسیار واقعی تر گردد؛ گویی ستاره اصلی فیلم از ابتدا فارسی زبان بوده است. این فرآیند نیازمند الگوریتم های یادگیری عمیق (Deep Learning) است که فرکانس های خاص صدای هر فرد را به دقت کپی می نمایند.
03
فاز سوم؛ ترجمه متنی و فرهنگی بدون واسطه
ترجمه همزمان و هوشمند (Context-Aware Translation) مرحله ای است که در آن ماشین نه تنها کلمات، بلکه موقعیت و رویدادهای سکانس را درک می نماید. هوش مصنوعی در این فاز می تواند اصطلاحات عامیانه زبان مبدا را به معادل های دقیق در فرهنگ زبان مقصد تبدیل کند. برای مثال، یک شوخی محلی در یک فیلم آمریکایی، به وسیله هوش مصنوعی به گونه ای بازنویسی می گردد که برای مخاطب فارسی زبان کاملاً ملموس و خنده دار باشد. این سطح از درک فرهنگی، نیازمند دسترسی به پایگاه های داده بزرگ از تاریخ و جامعه شناسی هر منطقه است.
04
فاز چهارم؛ هماهنگی کامل لب ها با زبان تازه
بزرگترین چالش بصری در دوبله، عدم هماهنگی حرکت لب ها (Lip-Sync) با کلمات تازه است. در این مرحله پیشرفته، هوش مصنوعی با استفاده از تکنولوژی های جعل عمیق (Deepfake) و گرافیک کامپیوتری، عضلات صورت و لب های بازیگر را در تصویر تغییر می دهد تا دقیقاً با تلفظ کلمات زبان مقصد هماهنگ گردد. این پردازش سطح بالا باعث می گردد که بیننده هیچ گونه ناهماهنگی میان صدا و تصویر حس نکند و گویی بازیگر واقعاً در حال ادای کلمات فارسی است.
05
تضاد هنر کلاسیک و دقت ماشینی
بسیاری از منتقدان بر این باورند که دوبله انسانی، به ویژه در عصر طلایی (Golden Age) دوبله ایران، لایه ای هنری به فیلم اضافه می کرد که ماشین هرگز قادر به درک آن نیست. دوبلورهای بزرگ با درک عمیق از روان شناسی کاراکتر، روحی تازه در کالبد بازیگر می دمیدند. گاهی صدای دوبلور، شخصیت را محبوب تر از آنچه در نسخه اصلی بود می کرد. هوش مصنوعی در حال حاضر در تقلید صدا پیروز است، اما در خلق آن آنی (Aura) هنری که ناشی از تجربه زیسته انسان است، همچنان با چالش روبروست.
06
انتخاب شخصی؛ صدای اصلی یا اسطوره کلاسیک؟
در آینده ای نه چندان دور، پلتفرم های پخش فیلم به شما این امکان را می دهند که نوع دوبله خود را انتخاب کنید. شما می توانید ترجیح دهید که فیلم را با صدای واقعی خود هنرپیشه بشنوید یا اینکه مثلا با استفاده از بانک های صوتی قدیمی، صدای یکی از اساتید فقید دوبله ایران را بر روی نقش قرار دهید. این شخصی سازی (Personalization) تجربه ای بی نظیر برای مخاطب ایجاد می نماید و اجازه می دهد میراث صوتی بزرگان دوبله حتی پس از نبودشان، در فیلم های تازه جاری بماند.
07
چالش های اخلاقی و حقوقی کپی صدای انسان
استفاده از صدای افراد بدون اجازه آن ها، مسائل حقوقی پیچیده ای را ایجاد نموده است. در بسیاری از کشورها، قوانینی برای حفاظت از مالکیت معنوی (Intellectual Property) صدا در حال تصویب است. آیا می توان صدای یک بازیگر را برای همیشه در اختیار گرفت؟ این پرسش های اخلاقی باعث شده تا صنعت سینما در پی مدل های تازهی از قراردادها باشد که در آن حقوق استفاده از صدای دیجیتال (Digital Voice Rights) نیز تعریف شده است.
08
تغییر پارادایم در سرعت فراوری محتوا
دوبله سنتی فرآیندی زمان بر است که شامل ترجمه، ویراستاری، انتخاب گوینده و ضبط در استودیو می گردد. هوش مصنوعی این زمان را از هفته ها به چند ساعت کاهش می دهد. این سرعت بالا به رسانه ها اجازه می دهد تا محتواهای جهانی را به صورت همزمان در تمام نقاط جهان با دوبله اختصاصی منتشر نمایند. این اتفاق تأثیر بزرگی بر اقتصاد رسانه و رقابت میان غول های استریمینگ خواهد داشت.
09
آیا ماشین می تواند بغض و خنده را درک کند؟
یکی از پیچیده ترین بخش های دوبله، بازفراوری صداهای غیرگفتاری مانند لرزش صدا در هنگام گریه یا خنده های ناگهانی است. در حالی که مدل های پیشرفته کنونی در حال یادگیری این احساسات هستند، اما همچنان در بعضی لحظات بحرانی، خروجی ماشینی ممکن است مصنوعی به نظر برسد. دوبله در عصر هوش مصنوعی نیازمند توسعه سیستم هایی است که بتوانند سیگنال های عاطفی موجود در موسیقی متن و میمیک صورت بازیگر را تحلیل نمایند تا پاسخی صوتی متناسب با آن ارائه دهند.
10
انتها دوران دوبله های تجاری و بی کیفیت؟
رواج هوش مصنوعی احتمالاً باعث حذف دوبله های پرسرعت و بی کیفیت کنونی می گردد که به وسیله افراد غیرحرفه ای انجام می گیرند. وقتی یک الگوریتم می تواند با هزینه ای ناچیز صدایی بسیار باکیفیت تر و هماهنگ تر فراوری کند، دیگر فضایی برای کارهای ضعیف باقی نمی ماند. این موضوع می تواند دو نتیجه داشته باشد: یا دوبله انسانی به طور کامل به یک کالای لوکس و هنری تبدیل می گردد، یا اینکه استانداردهای عمومی به قدری بالا می رود که دیگر هیچ محتوای دوبله شده ای آزاردهنده نخواهد بود.
11
تاثیر بر یادگیری زبان و سواد رسانه ای
دوبله هوشمند می تواند ابزاری برای یادگیری زبان باشد. دیدنی فیلمی که در آن بازیگر محبوبتان با صدای خودش هم به زبان اصلی و هم به زبان شما صحبت می نماید، درک الگوهای گفتاری را آسان تر می نماید. بعلاوه، این پدیده سواد رسانه ای (Media Literacy) مخاطب را به چالش می کشد؛ چرا که بیننده باید همیشه به یاد داشته باشد که آنچه می بیند و می شنود، ترکیبی از واقعیت و پردازش های دیجیتالی است. این موضوع در جامعه شناسی ارتباطات بحث های گسترده ای را باز نموده است.
12
افق های روشن؛ فراتر از تقلید صوتی
هوش مصنوعی در مرحله تقلید صدای بدوی یا آوازخوانی ساده متوقف نخواهد ماند. هدف نهایی، خلق یک تجربه غوطه وری کامل (Immersive Experience) است که در آن زبان دیگر مانعی برای انتقال هنر نیست. آینده دوبله پیوندی میان تکنولوژی های پردازش زبان طبیعی (NLP) و خلاقیت های بصری است که سینما را به زبانی جهانی تر از همیشه تبدیل می نماید. ما در انتظار روزی هستیم که هوش مصنوعی بتواند همچون یک استاد دوبله، نبض احساسات مخاطب را در دست بگیرد.
دکتر علیرضا مجیدی
پزشک، نویسنده و بنیان گذار وبلاگ خبرنگاران
دکتر علیرضا مجیدی، نویسنده و بنیان گذار وبلاگ خبرنگاران .
با بیش از 20 سال نویسندگی ترکیبی مستمر در زمینهٔ پزشکی، فناوری، سینما، کتاب و فرهنگ.
باشد که با هم متفاوت بیاندیشیم!
دربارهٔ علیرضا مجیدی در خبرنگاران