hangkonverzió (VC)

angolul: voice conversion / speech-to-speech

haladóterjedő

Olyan MI-eljárás, amely egy felvett vagy élő beszédet más ember hangján szólaltat meg, miközben a szöveg, a ritmus és a hangsúly megmarad.

Érthetően

A hangkonverzió olyan, mint egy hangjelmez: te mondod el a mondatot, a saját tempódban és hanglejtéseddel, de a hallgató valaki más hangszínét hallja. A gép nem találja ki, mit mondj, csak a hang „ruháját” cseréli le.

Ebben más, mint a felolvasó programok. Azok írott szövegből készítenek beszédet, és maguk döntik el a hangsúlyt. Itt egy ember előadása a kiindulópont, ezért megmarad a nevetés, a sóhaj, a habozás és az irónia is.

Használják szinkronhoz és hangoskönyvhöz, játékok szereplőinek megszólaltatásához, és olyan betegeknél is, akiknek a beszéde betegség vagy műtét miatt megváltozott vagy nehezen érthetővé vált. Ugyanezzel a technikával viszont valaki más hangján is lehet csalni, ezért az egyik legérzékenyebb generatív terület.

Hogyan működik

A rendszer a bemenő beszédet szétbontja: külön kezeli, hogy mit mondasz (tartalom), hogyan mondod (dallam, ritmus, hangerő), és ki mondja (hangszín).
A célhangról egy rövid mintából „hanglenyomatot” készít. Ez egy számsor, amely a beszélő egyedi hangszínét írja le.
Egy neurális háló újra összerakja a beszédet: a te tartalmad és előadásmódod mellé a célhang lenyomatát teszi.
Egy hangelőállító modul (vokóder) ebből hallható hanghullámot készít. A gyors rendszerek ezt a másodperc töredéke alatt megteszik, így élő beszélgetésben is működnek.
Egyes szolgáltatók a kimenetbe hallhatatlan vízjelet tesznek, és a célhang tulajdonosának hozzájárulásához kötik a használatot. Ez azonban nem általános gyakorlat.

Példa a mindennapokból

Megnézel egy külföldi sorozatot magyarul, és feltűnik, hogy a magyar szöveg az eredeti színész hangján szól. Egy magyar szinkronszínész játszotta el a szerepet, a hangszínét pedig utólag cserélték ki az eredeti színészére.

Kit érint

mindenkiEgy ismerős hang a telefonban már nem bizonyítja, hogy tényleg az beszél, akinek hiszed.

banki ügyfél, befektetőA csalók hozzátartozó vagy banki ügyintéző hangján kérhetnek sürgős utalást, a hangalapú azonosítás pedig kijátszhatóvá válik. → Pénz

beteg, orvosAkinek a beszéde betegség vagy műtét (például gégeeltávolítás) miatt torzult, annak a nehezen érthető vagy gépies hangját a rendszer természetesebb hangra alakíthatja, korábbi felvételek alapján akár a saját régi hangjára. Aki már egyáltalán nem tud beszélni, annak szövegfelolvasó segít. → Egészség

marketingesReklámot, oktatóvideót és többnyelvű tartalmat gyorsabban és olcsóbban lehet egységes márkahanggal gyártani, de csak a hang tulajdonosának engedélyével. → Marketing

Gyakori félreértés

TévhitA hangkonverzió ugyanaz, mint amikor a gép felolvas egy begépelt szöveget valaki hangján.

ValójábanItt nem szöveg, hanem egy ember tényleges beszéde a kiindulópont, és annak hangsúlyai, érzelmei megmaradnak. Ezért hat természetesebbnek, és ezért nehezebb felismerni.

Korlátok és kockázatok

Más hangját az ő hozzájárulása nélkül átvenni jogsértő lehet: az emberi hang személyes adat, és a személyiségi jogok is védik.
Egy hangfelvétel vagy telefonhívás önmagában már nem megbízható bizonyíték; gyanús kérésnél hívd vissza az illetőt egy ismert számon, vagy kérdezz olyat, amit csak ő tudhat.
A minőség romlik zajos felvételnél, éneknél, erős érzelmeknél és ritkább nyelveken. A hanglejtés az eredeti beszélőtől származik, de a főleg angol beszéden tanított modellek a magyar hangokat torzíthatják, így az eredmény idegenül csenghet.
A vízjel és a felismerő programok nem tévedhetetlenek, a nyílt forráskódú eszközökben pedig sokszor semmilyen védelem nincs.

Hasonló, de nem ugyanaz

szövegfelolvasás (text-to-speech) – A felolvasó írott szövegből állít elő beszédet és maga választ hangsúlyt, a hangkonverzió egy meglévő emberi előadás hangszínét cseréli ki.
hangklónozás – A hangklónozás egy adott ember hangjának lemásolása, bármilyen bemenetről; a hangkonverzió az az eljárás, amely beszédből beszédet készít, és gyakran klónozott hangot használ célként.
hagyományos hangtorzító – A hangtorzító csak mélyíti, magasítja vagy effektezi a hangot, a hangkonverzió egy másik, hihető emberi hangot állít elő.
beszélgető hangmodell és beszédfordítás (szintén „speech-to-speech”) – A „speech-to-speech” kifejezést azokra a rendszerekre is használják, amelyek a beszédre saját válasszal felelnek, vagy más nyelvre fordítják. A hangkonverzió nem válaszol és nem fordít, ugyanazt a mondatot adja vissza más hangon.

Kapcsolódó fogalmak

Tágabb

generatív MI, beszédszintézis, szintetikus média

Szűkebb

valós idejű hangkonverzió, énekhang-konverzió, akcentuskonverzió

Rokon

hangklónozás, szövegfelolvasás, deepfake, MI-vízjel, hangalapú agent

Röviden a története

A hangkonverziót az 1980-as évek vége óta kutatják, eleinte statisztikai módszerekkel. 2016-ban indult a Voice Conversion Challenge nemzetközi kutatási verseny, és ekkortól a neurális hálók tették a végeredményt egyre élethűbbé.

Hol tart most

2026 végén a hangkonverzió kereskedelmi szolgáltatásokban és ingyenes nyílt eszközökben is elérhető, élő beszélgetésben is működik, és a média- meg a játékipar rendszeresen használja. A hangalapú csalások miatt a hatóságok és a bankok is foglalkoznak vele. Az EU MI-rendeletének átláthatósági szabályai (50. cikk) 2026 augusztusától alkalmazandók: a mesterségesen előállított hangot géppel felismerhető módon jelölni kell, a megtévesztő hamisítványnál (deepfake) pedig közölni kell, hogy mesterséges. A korábban piacra került rendszerekre átmeneti idő vonatkozhat.

Állapot: 2026. november

Más nevei

hangkonverzió · hangátalakítás · voice conversion · speech-to-speech · STS · S2S · voice changer · MI-hangváltó

Források

Wikipedia: Audio deepfake

A szócikk gépi szerkesztéssel készült és gépi szakmai lektoráláson ment át; a „hírekben” rész az Agent Age sztorijaiból automatikusan frissül.