A hang mint az emberi lét utolsó erődje?

A gépelés távolság. Ha üzenetet írok, átgondolhatom, törölhetem, újrafogalmazhatom. A betűk diszkrétek, hűvösek, kézben tarthatók. A hang az ellenkezője: remeg, habozik, izgatottságtól emelkedik vagy szégyentől süllyed. Timbrét, lélegzetet, szünetet hordoz — mindazt, amit nem tudunk kontrollálni.

Az inhuma blogja felteszi a kérdést: ki alkalmazkodik kihez? Egyetlen terület sem érzékenyebb erre, mint az akusztika. A kimondott hang a legközvetlenebb kommunikációs csatorna — és egyben a legsebezhetőbb. Ahogy egyre inkább nem emberekkel, hanem gépekkel beszélünk, fel kell tennünk a kérdést: mit csinálnak velünk ezek a beszélgetések?

A láthatatlan idomítás

Aki már beszélt hangasszisztenssel, ismeri a mintát: a rövid mondatok működnek. A világos parancsok is. Udvariassági fordulatok? Figyelmen kívül hagyva. „Alexa, kapcsold fel a villanyt" — pont. Sem „kérem", sem „köszönöm", sem „tudnád esetleg?"

A probléma nem a gépben van, hanem a visszacsatolásban. Alkalmazkodunk. Nem tudatosan, hanem ezer apró sikerrel és kudarcokkal: egy hosszú mondatot nem ért meg? Legközelebb rövidebben. Egy ironikus megfogalmazás? A gép szó szerint értelmezi. Tehát kerüljük az iróniát.

A hangalapú chatbotok egy bizonyos regisztert jutalmaznak: egyértelmű, tömör, töltelékszavak és kétértelműség nélküli. Ezek pontosan azok a tulajdonságok, amelyek egy jó emberi beszélgetést jellemeznek — vagyis nem. Az emberi kommunikáció a lebegésből, a jelentés egyeztetéséből, a sorok közötti olvasásból él. A gépek arra idomítanak minket, hogy felejtjük el ezt a képességet?

Az inhuma QWERTY-billentyűzet példája megmutatja: több mint 150 éve alkalmazkodunk egy gép követelményeihez — anélkül, hogy észrevennénk. A hangnál ugyanez történik, csak gyorsabban és egy sokkal alapvetőbb csatornán.

Az udvariassági csapda

Kíváncsi megfigyelés: sokan mondanak „kérem"-et és „köszönöm"-öt a hangasszisztenseiknek — miközben pontosan tudják, hogy senki sem hallgat. Üres szokás ez? Vagy több rejlik mögötte?

Sherry Turkle (MIT) filozofus az ember-gép interakcióval foglalkozó tanulmányaiban kimutatta, hogy hajlamosak vagyunk „megeleveníteni" a gépeket, amint verbálisan interakcióba lépnek velünk. Egy chatbot, amely a nevünket használja, minimális, de mérhető érzelmi reakciót vált ki. A hang ezt az hatást drámaian felerősíti: barátságosan, aggódóan, segítőkészen hangzik — akkor is, ha tudjuk, hogy mögötte nincs semmiféle megélés.

Ez egy filozofikus problémát vet fel: ártalmatlan-e udvariasságot tanúsítani egy géppel szemben? Vagy itt kezdődik az ember-gép kommunikáció egy etikája, amelyet még nem tudunk megnevezni? Ha az udvariasság társadalmi kötelék az emberek között — mi lesz ezzel a kötelékkel, ha naponta jelenlévőkkel gyakoroljuk?

A kérdés kiéleződik, ahogy a szintetikus hangok egyre emberibbé válnak. Az „Értelek" egy okosotthon-hangszóróból nem valódi megértés. De úgy hangzik. És a fül nehezen különbözteti meg, amit hall, attól, amit érez.

A hang mint hitelesség-garancia

Ma már a szintetikus hangok alig különböztethetők meg a valódiaktól. Az ElevenLabs, az OpenAI Voice Engine, a Google SoundStorm — a technológia itt van, és javul.

Ennek paradox következménye van: az emberi hang szűkössé válik. Egy olyan világban, ahol minden „Sajnálom" szintetikus lehet, a valódi hang értéke nő. Hamarosan talán jobban figyelünk majd arra, hogy egy hang mögött ember vagy modell áll-e. És meg kell tanulnunk egy új társadalmi megkülönböztetést: az empátiának hangzó és az empátia között.

Harry Frankfurt filozofus egyszer különbséget tett a „blöff" (ami közömbös az igazsággal szemben) és a valódi hitelesség között. Talán szükségünk van egy kategóriára a szintetikus empátiához: érzelem kommunikálása, amelynek nincs érzelme — de tökéletesen szimulálja azt.

Az inhuma akusztika-csempéje itt váratlan mélységet kap. A kérdés többé nem csak az, hogy a gépek megértenek-e minket. A kérdés az, hogy még meg tudjuk-e különböztetni, hogy jelentenek-e nekünk valamit.

Ki beszél itt tulajdonképpen?

A hang az emberi lét utolsó erődje, mert ez az, amit a legkevésbé tudunk kontrollálni. Egy írott mondatot törölni lehet. Egy kimondott a térben marad — és a hallgatónál.

Amikor a gépeknek hozzáférést adunk ehhez a csatornához, többet adunk nekik adatnál: hagyjuk, hogy részt vegyenek egy olyan helyen, amely eddig csak az embereknek volt fenntartva. A feladat nem a csatorna optimalizálása (gyorsabb, tisztább, hatékonyabb). A feladat az, hogy éberek maradjunk, mit bízunk rá.

Az inhuma kérdezi: ki alkalmazkodik kihez? Az akusztikánál a válasz kényelmetlen. Nem a gépek tanulnak meg emberibb módon beszélni. Mi tanulunk meg gépiebben gondolkodni. Ez pedig olyan ár, amelyről még nem folytattunk elegendő párbeszédet.

Talán az első lépés az, hogy ismét tudatosan megálljunk — és a következő hangasszisztensnek ne válaszoljunk, hanem először csak megkérdezzük: ki beszél itt tulajdonképpen?