شرکت اپن‌ای‌آی (OpenAI) در حوزه مدل‌های هوش مصنوعی به توسعه فناوری پیروی صدا پرداخت و ابزاری با نام را معرفی کرد که با استفاده از کلیپ‌های صوتی پانزده ثانیه‌ای قادر است صدای مصنوعی بسازد. این صدای تولیدشده می‌تواند دستورات متنی را به زبان‌های مختلفی از جمله انگلیسی، آلمانی، فرا‌نسوی و ژاپنی بخواند؛ البته ارائه این ابزار در حال حاضر به‌صورت محدود انجام شده است.
اکنون شرکت‌هایی مانند و به این ابزار تازه اپن‌ای‌آی دسترسی یافته‌اند. در مثال‌های صوتی که اپن‌ای‌آی منتشر کرده است، قابلیت خواندن متن به زبان‌های متفاوت با زبان اصلی فایل صوتی مرجع نیز مشهود است. بر اساس توضیحات اپن‌ای‌آی، توسعه از اواخر سال ۲۰۲۲ آغاز شده و این فناوری در حال حاضر در API تبدیل متن به صدا و قابلیت چت‌بات ChatGPT مستقر شده است.
جف هریس، یکی از اعضای تیم محصول، بیان کرد که این ابزار با ترکیبی از داده‌های دارای حق کپی‌رایت و داده‌های عمومی آموزش دیده و تنها در اختیار نزدیک به ده توسعه‌دهنده قرار گرفته است. در نمونه‌ای که از طرف ارائه شده، هوش مصنوعی با صدای مرجع در مورد زیست‌شناسی و شیمی سخن می‌گوید.
در حال حاضر استارتاپ‌های متعددی در حوزه تولید صدا‌های طبیعی یا آلات موسیقی با هوش مصنوعی فعال هستند، اما برخی از آن‌ها مانند به‌سراغ تقلید صدای افراد رفته‌اند. با وجود نگرانی‌هایی درباره سوءاستفاده احتمالی از این تکنولوژی‌ها، اپن‌ای‌آی اعلام کرده که با شرکای خود در مورد پیروی از سیاست‌های امنیتی به توافق رسیده است. بر اساس این سیاست‌ها، استفاده از برای جعل هویت افراد و سازمان‌ها بدون رضایت آن‌ها ممنوع است.
اپن‌ای‌آی از شرکای خود می‌خواهد که رضایت صریح و آگا‌هانه گوینده اصلی را داشته باشند. به صدای تولیدشده واترمارک اضافه می‌شود تا امکان شناسایی منشأ آن فراهم باشد و نظارت بر نحوه استفاده از آن‌ها امکان‌پذیر شود. سازنده چندین پیشن‌هاد برای محدود کردن سوءاستفاده ارائه کرده که از جمله آن‌ها می‌توان به حذف تدریجی احراز هویت صوتی برای دسترسی به حساب‌های بانکی، تدوین سیاست‌های حفاظت از صدای افراد در هوش مصنوعی، آموزش‌های بهتر در مورد دیپ‌فیک و گسترش سیستم‌های ردیابی محتوای تولیدشده با هوش مصنوعی اشاره کرد.
