Synthesia cria avatar interativo de IA de repórter da TechCrunch

A Synthesia, startup de geração de vídeo conhecida por criar avatares de IA para uso corporativo, fez um gêmeo digital interativo de uma repórter da TechCrunch, treinado para responder perguntas sobre apenas uma de suas matérias. É a primeira vez que a empresa cria um avatar interativo para uma jornalista, ou para qualquer pessoa além de Alexandru Voica, seu diretor de assuntos corporativos, cujo próprio avatar responde perguntas comuns da imprensa sobre a empresa.

Originalmente sediada no Reino Unido, a Synthesia concorre com rivais como D-ID, HeyGen e Colossyan na criação de avatares de IA para vídeos de treinamento corporativo. A empresa atingiu uma avaliação de US$ 4 bilhões no início deste ano e disse no ano passado ter ultrapassado US$ 100 milhões em receita recorrente anual. A Synthesia desenvolve três tipos de produtos: uma plataforma de criação e distribuição de vídeo em que o usuário digita um roteiro e um avatar clássico o lê, uma plataforma agêntica chamada Sessions, em que as pessoas interagem com avatares por meio de pesquisas ou simulações de papéis, e uma plataforma de API que permite aos clientes combinar os modelos de vídeo e voz da Synthesia com outros serviços. A empresa lançou recentemente um produto do Sessions chamado Roleplay Sessions, que permite que funcionários pratiquem tarefas como apresentações de vendas com um avatar de IA interativo que responde e avalia suas respostas.

Criar o avatar da repórter exigiu uma visita a um pequeno estúdio de filmagem dentro do escritório da Synthesia em Nova York, onde a equipe tirou várias fotos dela e gravou uma amostra de dois minutos de sua voz. A equipe da Synthesia levou alguns dias para produzir dois avatares interativos — um com óculos e outro sem — além de dois avatares pessoais que apenas leem em voz alta qualquer roteiro fornecido, em vez de conversar.

O avatar interativo funciona com uma cadeia de modelos: um modelo de voz para texto transcreve o que a pessoa diz, um modelo de linguagem agêntico interpreta o texto e pode agir com base nele, um modelo de texto para voz gera a resposta falada, e um modelo de vídeo criado pela Synthesia anima o avatar enquanto ele fala. Os próprios modelos de vídeo e voz da Synthesia alimentam o processo por padrão, mas os clientes podem usar alternativas da Cartesia, ElevenLabs, Google ou OpenAI, além de poderem hospedar seus avatares na própria nuvem ou pagar à Synthesia para hospedá-los.

Como o avatar é determinístico — limitado à única matéria com a qual foi treinado —, ele redireciona qualquer pergunta fora desse tema em vez de improvisar. Essa limitação apareceu quando a mãe da repórter, que já havia chamado a demonstração de incrível, tentou testar o avatar com perguntas que só ela saberia responder; o avatar simplesmente continuou redirecionando-a de volta à matéria, o que a levou a brincar: “Não me lembro de ter dado à luz a duas de vocês.”

Por que importa

O avanço da Synthesia rumo a avatares interativos determinísticos e de propósito único — primeiro para sua própria comunicação corporativa e agora em casos de teste externos — aponta para um futuro em que substitutos de IA poderiam assumir parte da comunicação pública. Se isso se estende ao jornalismo, em que a confiança é o ativo central, continua sendo uma pergunta em aberto que o próprio experimento da empresa não resolve.