Synthesia crea un avatar de IA interactivo de una periodista de TechCrunch

Synthesia, una empresa emergente de generación de video conocida por crear avatares de IA para uso corporativo, creó un gemelo digital interactivo de una periodista de TechCrunch entrenado para responder preguntas sobre uno solo de sus artículos. Es la primera vez que la compañía construye un avatar interactivo para una periodista, o para cualquier persona además de Alexandru Voica, su jefe de asuntos corporativos, cuyo propio avatar responde preguntas habituales de prensa sobre la empresa.

Con sede originalmente en el Reino Unido, Synthesia compite con rivales como D-ID, HeyGen y Colossyan en la creación de avatares de IA para videos de capacitación empresarial. La compañía alcanzó una valoración de USD 4000 millones a principios de este año y dijo el año pasado que había superado los USD 100 millones en ingresos recurrentes anuales. Synthesia desarrolla tres tipos de productos: una plataforma de creación y distribución de video en la que el usuario escribe un guion y un avatar clásico lo lee, una plataforma agéntica llamada Sessions en la que las personas interactúan con avatares mediante encuestas o simulaciones de rol, y una plataforma de API que permite a los clientes combinar los modelos de video y voz de Synthesia con otros servicios. Recientemente lanzó un producto de Sessions llamado Roleplay Sessions, que permite a los empleados practicar tareas como presentaciones de venta con un avatar de IA interactivo que responde y califica sus respuestas.

Crear el avatar de la periodista requirió una visita a un pequeño estudio de filmación dentro de la oficina de Synthesia en Nueva York, donde el personal le tomó numerosas fotos y grabó una muestra de dos minutos de su voz. Al equipo de Synthesia le tomó un par de días producir dos avatares interactivos —uno con anteojos y otro sin ellos— además de dos avatares personales que simplemente leen en voz alta cualquier guion que se les indique, en lugar de conversar.

El avatar interactivo funciona con una cadena de modelos: un modelo de voz a texto transcribe lo que dice una persona, un modelo de lenguaje agéntico interpreta el texto y puede actuar en función de él, un modelo de texto a voz genera la respuesta hablada, y un modelo de video creado por Synthesia anima al avatar mientras habla. Los propios modelos de video y voz de Synthesia impulsan el proceso de forma predeterminada, pero los clientes pueden usar alternativas de Cartesia, ElevenLabs, Google u OpenAI, y pueden alojar sus avatares en su propia nube o pagarle a Synthesia para que los aloje.

Debido a que el avatar es determinista —limitado a la única historia con la que fue entrenado—, redirige cualquier pregunta ajena a ese tema en lugar de improvisar. Esa limitación quedó en evidencia cuando la madre de la periodista, que ya había calificado la demostración de asombrosa, intentó hacerle preguntas que solo ella podría responder; el avatar simplemente siguió redirigiéndola hacia el artículo, lo que la llevó a bromear: “No recuerdo haber dado a luz a dos de ustedes”.

Por qué importa

El avance de Synthesia hacia avatares interactivos deterministas y de un solo propósito —primero para su propia comunicación corporativa y ahora en casos de prueba externos— apunta a un futuro en el que sustitutos de IA podrían encargarse de parte de la comunicación pública. Que eso se extienda al periodismo, donde la confianza es el activo central, sigue siendo una pregunta abierta que el propio experimento de la empresa no resuelve.