«Ты где» или «Это не я»: KP.RU разгадал тайну голоса Чебурашки в детском пианино

Игрушечное пианино, говорящее голосом Чебурашки, взволновало россиян и разделило их на два лагеря.

Фото: Кадр видео.

Игрушечное пианино, говорящее голосом Чебурашки, взволновало россиян и разделило их на два лагеря. Ведь одни четко слышат фразу «Это не я», другие «ты где». Более того, многим чудится то одна фраза, то другая, что уже вовсе загадочно. По Сети пошли теории заговора: внутри пианино сидит кто-то другой, о чем и предупреждает владельца. А ночью он выходит… Правда, «теория» родилась в самой что ни на есть целевой аудитории: ее придумали дети. KP.RU провел масштабное расследование таинственной иллюзии, и мы готовы представить окончательный анализ. Сейчас вы наконец узнаете правду.

СЛОВО НЕЙРОСЕТЯМ

Первая идея, которая приходит в голову человеку цифровой эпохи: дать послушать загадочную фразу нейросетям. Мы все меньше верим собственному интеллекту, так что искусственному – все карты в руки.

Одну из комнат в «Комсомолке» переоборудовали в лабораторию (ладно, это шутка). Фрагмент слушали четыре нейросети: speech2text, turboscribe.ai, Clideo и Guru Scribe. Не будем мучать вас почем зря: первые три ИИ-шки расшифровали запись как «ты где», а четвертая от расшифровки отказалась. Не могу, говорит, понять, что там такое.

Как именно нейросети понимают речь? Сначала запись дробится на крошечные фрагменты по 20 миллисекунд. Каждой частоте присваивается числовое значение. Создается спектрограмма, то есть раскладка звука на частоты. С этим работает так называемый сверточный алгоритм, который ищет в частотах закономерности. Для каждой группы частот сетка оценивает вероятность, что фонема («квант звука») обозначает такую-то букву. Например, в слове «мама» для первого звука вероятность, что это «м», будет близка к 100%, а что это «р» - стремиться к нулю.

Наконец особая архитектура собирает фонемы вместе и оценивает контекст, а также убирает созвучные, но маловероятные варианты. Скажем, из «мыла раму» и «мыла ламу» ИИ выберет именно раму (хотя мама, может, ламу как раз и мыла, кто ее знает).

Даже удивительно, что, проделывая столь тонкие манипуляции с каждым «квантом» звука, ИИ бегло и бодро с нами разговаривает!

Как видим, для ИИ (как, впрочем, и для мозга) крайне важен контекст. А в игрушке его как раз нет. Однако, три нейросети уверенно услышали «ты где». Запомним это обстоятельство.

Первые три ИИ-шки расшифровали запись как «ты где», а четвертая от расшифровки отказалась. Фото: DC Studio/Shutterstock/Fotodom

ГОВОРИТ ПО-КИТАЙСКИ

Стоп, а русский ли язык там вообще?

Накануне автор этих срок наткнулся на какую-то песню на одном из африканских языков (я правда не знаю, на каком), и в середине четко услышал русскую фразу «она смотрит на тебя косо».

Стоп, да быть не может. Хотя… Старшее поколение помнит, что хит заграничной группы Snap начинался с фразы на чистом русском «Американская фирма Transceptor Technology приступила к производству компьютеров «Персональный спутник»» (кстати, такой компьютер действительно был). Может, и тут так?

Меж тем иллюзия усиливалась по мере того, как я слушал песню снова и снова. Наконец разыскал текст – да нет, не по-русски там. Просто созвучно. Короче, проверяем версию: Чебурашка на самом деле говорит по-китайски.

И мы обратились Ольге Бонч-Осмоловской, китаеведу, кандидату исторических наук, научному сотруднику института восточных рукописей РАН. Звонить по поводу такой ерунды серьезному ученому, было непросто. Но Ольга улыбнулась и помочь согласилась. Сердце замерло.

- Нет, это не китайский, - сообщила наконец она.

И добавила, что четко слышит «Это не я». Что ж, ищем дальше.

ГЛУБИНЫ ЗВУКА

Кто лучше разбирается в звуке, чем специалисты радио «Комсомольская правда»? С чем только им ни приходится дело иметь.

Перво-наперво мы попросили их проверить гипотезу: а не с хитрым ли файлом-перевертышем мы столкнулись? Вдруг там «зашиты» оба варианта, которые всплывают по очереди. Маловероятно и сложно технически, но кто его знает.

Затем ребятам предстояло аппаратно проанализировать звук, то есть получить ту самую спектрограмму. Самим произнести в микрофон обе фразы, «Это не я» и «Ты где», и получить спектрограммы этих предложений. Наконец, все это сравнить.

Скажем сразу, в деталях мнения наших специалистов разошлись. Хотя в целом выстраиваются в логичную версию.

По мнению Николая (наши скромные герои предпочитают, чтобы к ним обращались запросто), изначально в игрушку пытались залить фразу «Ты где». Но чип, который и воспроизводит звук для ребенка, обладает крошечным объемом памяти. Он срезал (по частотам) все, что только можно. В результате «артикуляция» нашего Чебурашки вышла, скажем там, нечеткой.

- Люди, которые слышат «это не я», как бы пропускают начало, которое кажется им невнятным. Если взять файл и начало убрать принудительно, в самом деле четко слышно «это не я», - говорит Николай.

А в целом, резюмирует он, эти обе фразы ритмически похожи. И, если сравнивать спектрограммы «эталонных» фраз и того, что выдает Чебурашка – то похожи и они.

Василий, коллега Николая, в целом с этим согласен, но считает, что срезать надо не начало, а частоты, выше 200 герц. Он проделал эксперимент – и в самом деле, это работает. Вспомним, что не все люди воспринимают частоты одинаково, а восприятие высоких частот вообще страдает первым. Иными словами, те, кто слышат хорошо, расслышат то, что есть в игрушке («Ты где»), а людям с (небольшими) слуховыми проблемами почудится «Это не я».

Звукорежиссеры пояснили, что изначально в игрушку пытались залить фразу «Ты где». Но чип срезал часть фразы, и теперь слышно другое. Фото: BearFotos/Shutterstock/Fotodom

ВОПРОС ВОСПРИЯТИЯ

Давайте попробуем все это обобщить. И большинство нейросетей, и показатели спектрограмм убеждают нас, что Чебурашка произносит «Ты где».

В то же время можно поставить интересный эксперимент. Настройтесь на фразу «Это не я», и вы ее услышите. Теперь на словосочетание «Ты где», и о чудо, вы услышите и его. Причем так же четко.

Наш мозг достраивает звуки, рассказывает Николай. С этим часто сталкиваются звукорежиссеры, когда запикивают всякие нехорошие слова. Обычно остается ползвука от начала и в конце. Однако, большинство людей уверены, что слышат слово целиком! Их обманывает мозг. Он же «знает», что тут должно быть.

А в нашем случае контекста маловато. Люди узнали о парадоксе, когда им предложили выбор, или «Это не я», или «Ты где». Этот выбор и стал контекстом. Эксперимент (да, мы провели и его) показывает: если человек не знает, что он должен услышать, он слышит или «Ты где», или затрудняется сказать, что именно. Таким образом, фраза «Это не я» навязана теми, кому так почудилось. Мы имеем дело, если хотите, с коллективной галлюцинацией.

Итак, с огромной долей вероятности игрушка произносит «Ты где», но – подвел чип. Все величие этой немудреной фразы в нем не уместилось.

ТЕМ ВРЕМЕНЕМ

Представители бренда-производителя (бренд российский, хотя игрушку делают в Китае) разъяснил журналистам, что Чебурашка говорит именно «Ты где». По задумке, если ребенок какое-то время не играет на пианино, Чебурашка его «зовет», приглашает игру возобновить. Приятно, что наше расследование, столь многоступенчатое и мудреное, привело к правильному выводу.

ЧИТАЙТЕ ТАКЖЕ

Таинственное пианино с Чебурашкой взорвало Сеть: почему люди слышат одну фразу по-разному

СЛУШАЙТЕ ТАКЖЕ

Женская многозадачность оказалась мифом