La gente conecta un moderno micrófono inalámbrico de solapa con un imán a una camiseta rosa para una entrevista o transmisión, prepara un dispositivo de audio para grabar.
getty
Ahora hay archivos de vídeo en la nube que el modelo de lenguaje grande (LLM) no puede leer.
Esto no se debe a que el archivo esté cifrado o dañado. Esto se debe a que los sistemas de IA no pueden leer los archivos MOV, MP3 o WAV sin procesar en un sentido técnico. No hay texto que el modelo pueda analizar ni estructura a la que asignar significado. “No saben leer”, dice Owen Grover, director general del mercado estadounidense de Nomono, una empresa de hardware y software de audio. “No se puede poner un MP3 en un LLM”. Antes de que un sistema de inteligencia artificial pueda encontrar, ordenar, licenciar o reempaquetar audio o video, alguien tiene que empaquetar ese archivo con datos que el modelo realmente pueda entender: transcripciones, identificaciones de los oradores, marcas de tiempo, algo así.
Al principio, parece un detalle técnico de nicho. No lo es. A medida que las empresas de medios tienden a trabajar más en la IA para catalogar, promover y monetizar cientos de miles de horas de contenido almacenado en sus bibliotecas, comenzó a surgir una incómoda comprensión: la mayor parte del contenido nunca fue creado para ser ingerido por nada más que el oído humano. Nomono apuesta a que la próxima ventaja competitiva en audio y vídeo no es un mejor contenido; Este es el contenido que el sistema de IA realmente puede “ver”.
Podcasts y problemas Convergencia Nada planeado
El podcasting se encuentra en medio de una crisis de identidad. Con la rápida proliferación de los podcasts de vídeo, lo que solían ser medios de audio puro se ha convertido en un híbrido. Los ingresos publicitarios globales para podcasts y podcasts de vídeo son Se espera que alcance aproximadamente $ 5 mil millones en 2026.. Eso es un aumento de casi el 20% respecto al año anterior, según Deloitte. Gran parte de ese crecimiento proviene de la capacidad del vídeo para impulsar el descubrimiento a través de clips sociales. Más de 550 millones de personas escuchan podcasts mensualmente en todo el mundoCifras que subestiman cada vez más a la audiencia real, dado el creciente porcentaje de consumo que se produce viendo en plataformas como YouTube, y no sólo escuchando.
En 2024, Google cerrará su servicio Google Podcasts para incorporar podcasts al ecosistema de YouTube. El cambio ha creado fricciones que muchos creadores aún no han resuelto. Las plataformas de video ya son excelentes para capturar imágenes nítidas, pero dejan el audio como una ocurrencia de último momento. Incluso las imágenes 4K a menudo se combinan con audio que suena como si hubiera sido grabado a tres metros de distancia (porque suele ser así). Grover señala el lanzamiento de video podcasting de Apple dentro de Apple Podcasts como un estudio de caso de cuán inconexo se ha vuelto esto. El episodio de video y la versión de fuente RSS de solo audio son técnicamente dos recursos separados, mezclados y masterizados por separado, aunque sean el mismo programa. Existe una situación similar en Spotify, aunque parecen separar los dos deliberadamente para permitir que la audiencia elija la experiencia que desea: solo video o audio.
¿Dónde encaja Nomono?
La respuesta de Nomono es una pequeña pieza de hardware llamada Sound Capsule. Se trata de una grabadora de ocho micrófonos que también funciona como centro de control de las sesiones de grabación. Se puede emparejar con hasta cuatro micrófonos inalámbricos de solapa/de solapa que almacenan aproximadamente 45 minutos de audio de respaldo integrado en caso de que se corte la conexión. Todo lo capturado en la grabación se enviará automáticamente a Nomono Studio Cloud, un navegador y una aplicación móvil donde el conjunto de mejoras de IA limpia la grabación. El paquete de mejora elimina la diafonía, elimina el ruido y equilibra los niveles de sonido en los parlantes en segundos, en lugar de las horas que un ingeniero de audio humano normalmente pasaría ajustando los atenuadores de la caja armónica a mano.
Nomono también tiene una versión más ligera llamada Stellar Kit que reduce el sistema a un solo micrófono de solapa y una aplicación móvil. El kit Stellar está dirigido a periodistas, equipos de documentales y creadores de videos sociales que necesitan sonido con calidad de transmisión sin tener que transportar una mesa de mezclas al campo. Grover lo demostró grabando un clip en una calle muy transitada de Bangkok, Tailandia. El socio de Nomono lo grabó con un iPhone a unos metros de distancia, capturando gran parte del ruido del tráfico y las conversaciones del mercado. Una vez que el audio original del teléfono se introdujo en el sistema Nomono a través de una grabación de solapa mejorada, el sonido era nítido y claro, mientras que el ruido ambiental de la carretera seguía presente pero no era abrumador. Este es un resultado que normalmente requiere un editor de sonido, no un botón de software. En particular, el vídeo en sí todavía se procesa localmente en el dispositivo en lugar de cargarse en los servidores de Nomono. Grover dice que fue una elección deliberada basada en la velocidad y el hecho de que la mayoría de los creadores ya tienen sus imágenes en el carrete de la cámara.
El sonido castiga más que el vídeo
Hay verdadera ciencia detrás de por qué este es un problema comercial. en uno estudio ampliamente citado publicado en revistas Ciencias de la comunicaciónLos investigadores Eryn Newman y Norbert Schwarz descubrieron que las conferencias académicas se calificaban como menos interesantes y sus oradores como menos inteligentes y agradables cuando la calidad del audio se degradaba. Esto a pesar de que la calidad del vídeo nunca cambia. Otros investigadores de la comunicación han descubierto que la fidelidad del audio tiene un efecto más pronunciado sobre la atención y la memoria que la fidelidad visual, y que un audio potente puede incluso hacer que los espectadores perciban imágenes mediocres como de mayor calidad de la que realmente son.
La industria cinematográfica ha comprendido esta asimetría durante décadas. Los ingenieros antipiratería tienen audio específicamente dirigidoNo sólo el vídeo, a la hora de diseñar elementos disuasorios contra las grabaciones ilegales con videocámaras en los cines. Existe una técnica patentada que altera la pista de audio de una película para que sea indetectable para el público que paga, pero sí detectable y degradada en copias pirateadas. En otras palabras, durante mucho tiempo se ha considerado que la industria es lo suficientemente importante como para realizar un sabotaje estratégico en la lucha contra la piratería. La mayoría de los creadores todavía lo consideran una idea que hay que corregir en la publicación.
El tono contra los complementos
Grover encuadra cuidadosamente a Nomono en un campo abarrotado de herramientas de audio de IA, desde Adobe Podcast y Descript hasta ElevenLabs, sin descartarlas por completo. El argumento es estructural: el equipo es una solución puntual que limpia el audio que has grabado. Nomono intenta ser dueño de toda la cadena, desde el micrófono hasta el episodio publicado, para que los creadores no tengan que importar “mucha interferencia” desde el principio. Según Grover, los clientes ahorran entre un 60% y un 70% del tiempo que normalmente se dedica entre descargar una grabación y enviar un episodio terminado (afirmaciones de la empresa en lugar de una cifra verificada de forma independiente). Esa afirmación es consistente con una tesis más amplia: cuantos más flujos de trabajo tenga un sistema, más tiempo podrá ahorrar.
Apostar al futuro
Grover fue honesto al decir que Nomono no inició su discurso con el argumento de la legibilidad de la IA. Los consumidores se preocupan por un audio limpio y una respuesta más rápida. Pero él llama a esa capa de metadatos “casi en cierto modo el caballo de Troya de este producto”, porque es lo que permitirá a los editores buscar, licenciar y reutilizar grandes catálogos de audio utilizando IA en lugar de revisar archivos sin procesar a mano.
Es una historia más interesante aquí, y posiblemente más duradera. Los mejores micrófonos son un mercado de productos básicos que seguirá abarrotado. Pero una industria de las carreras que ahora realiza descubrimientos y concesiones de licencias en su nombre para que el contenido pueda ser leído por sistemas de inteligencia artificial puede descubrir que el costo real de ignorar la voz nunca fue una mala experiencia para el oyente. Es un activo que ni el hombre ni la máquina pueden encontrar.
